用于目标检测的基于可变形部件的全卷积网络
计算机视觉与模式识别
2017-07-20 v1 人工智能
机器学习
摘要
现有的基于区域的目标检测器局限于使用固定框几何形状的区域来表示物体，即使这些物体具有高度非矩形形状。在本文中，我们引入了 DP-FCN，这是一种用于目标检测的深度模型，能够通过可变形部件显式适应物体的形状。无需额外标注，它就能学会关注具有判别性的元素并对齐它们，同时为分类带来更多的不变性，并提供几何信息以细化定位。DP-FCN 由三个主要模块组成：一个用于高效保持空间分辨率的 Fully Convolutional Network，一个用于优化部件位置并构建不变性的基于可变形部件的 RoI 池化层，以及一个显式利用部件位移以提高边界框回归精度的形变感知定位模块。我们通过实验验证了我们的模型并展示了显著的性能提升。DP-FCN 在仅使用 VOC 数据的情况下，在 PASCAL VOC 2007 和 2012 上分别达到了 83.1% 和 80.9% 的 state-of-the-art 性能。
引用
@article{arxiv.1707.06175,
title = {Deformable Part-based Fully Convolutional Network for Object Detection},
author = {Taylor Mordan and Nicolas Thome and Matthieu Cord and Gilles Henaff},
journal= {arXiv preprint arXiv:1707.06175},
year = {2017}
}
备注
Accepted to BMVC 2017 (oral)