DeepProposal：通过级联深度卷积层搜寻目标
计算机视觉与模式识别
2015-10-16 v1
摘要
本文中，我们评估卷积神经网络（CNN）的激活层用于生成目标提议的质量。我们以滑窗方式在不同激活层上生成假设，并展示最终卷积层能以高召回率但定位较差找到感兴趣目标，这是由于特征图的粗糙性。相反，网络的第一层能更好地定位感兴趣目标但召回率降低。基于该观察，我们设计了一种基于CNN特征并提出目标位置的方法，它结合了两者之长。我们构建了一个逆级联，从CNN的最终卷积层到初始卷积层，以由粗到细的方式选择最有前景的目标位置并精炼其边界框。该方法高效，因为i)它使用为检测提取的相同特征，ii)它使用积分图像聚合特征，以及iii)由于逆由粗到细级联避免了对提议的密集评估。该方法也准确；它优于大多数先前提出的目标提议方法，并且当插入基于CNN的检测器时产生最先进的检测性能。
引用
@article{arxiv.1510.04445,
title = {DeepProposal: Hunting Objects by Cascading Deep Convolutional Layers},
author = {Amir Ghodrati and Ali Diba and Marco Pedersoli and Tinne Tuytelaars and Luc Van Gool},
journal= {arXiv preprint arXiv:1510.04445},
year = {2015}
}
备注
ICCV 2015