DeepProposals：通过级联深度卷积层搜寻物体与动作
计算机视觉与模式识别
2016-06-16 v1
摘要
本文提出了一种在图像和视频中生成物体和动作候选区的新方法。该方法基于预训练CNN不同卷积层的激活，将早期层的定位准确性与后期层的高信息量（因而高召回率）相结合。为此，我们构建了一个逆向级联结构，从CNN的后期卷积层反向回溯至早期卷积层，选择最有希望的位置并以由粗到细的方式对其进行细化。该方法效率高，因为：i) 它重复使用为检测而提取的相同特征；ii) 它利用积分图像聚合特征；iii) 得益于逆向由粗到细级联的使用，它避免了候选区的密集评估。该方法同样准确。我们表明，我们的DeepProposals优于此前提出的大多数物体候选区和动作候选区方法，并且当接入基于CNN的物体检测器时，产生了SOTA的检测性能。
引用
@article{arxiv.1606.04702,
title = {DeepProposals: Hunting Objects and Actions 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:1606.04702},
year = {2016}
}
备注
15 pages