Deep Regionlets：用于通用目标检测的融合表示与深度学习
计算机视觉与模式识别
2019-12-04 v2
摘要
在本文中，我们提出一种名为“Deep Regionlets”的新型目标检测算法，通过集成深度神经网络与传统检测框架来实现精确的通用目标检测。受 regionlets 在建模目标形变与多长宽比方面有效性的启发，我们将 regionlets 纳入一个端到端可训练的深度学习框架。Deep Regionlets 框架由一个区域选择网络和一个深度 regionlet 学习模块组成。具体而言，给定一个检测边界框提议，区域选择网络指导从何处选取可学习特征的子区域。一个目标提议通常包含 3–16 个子区域。regionlet 学习模块专注于局部特征选择与变换，以缓解外观变化的影响。为此，我们首先在检测框架内实现非矩形区域选择，以适应目标外观的变化。此外，我们在 regionlet 学习模块内设计了一个“门控网络”，以实现依赖于实例的软特征选择与池化。Deep Regionlets 框架以端到端方式训练，无需额外工作。我们在 PASCAL VOC 数据集和 Microsoft COCO 数据集上给出了消融研究与大量实验。所提方法即便在没有额外分割标签的情况下，也优于 RetinaNet 和 Mask R-CNN 等最先进算法，取得了具竞争力的性能。
引用
@article{arxiv.1811.11318,
title = {Deep Regionlets: Blended Representation and Deep Learning for Generic Object Detection},
author = {Hongyu Xu and Xutao Lv and Xiaoyu Wang and Zhou Ren and Navaneeth Bodla and Rama Chellappa},
journal= {arXiv preprint arXiv:1811.11318},
year = {2019}
}
备注
arXiv admin note: substantial text overlap with arXiv:1712.02408