在 Pool5 特征图中增加 Dropout 以提升目标检测性能
计算机视觉与模式识别
2014-11-19 v3
摘要
深度卷积神经网络（CNNs）在图像分类和目标检测领域取得了巨大成功。在这些领域中，CNN 所有层的输出通常被视为从输入图像中提取的高维特征向量，而更细粒度的特征向量与输入图像所包含概念之间的对应关系至关重要。然而，较少有研究关注这一值得探讨的问题。考虑到这种对应关系，我们提出了一种新方法，该方法应用最大熵原理舍弃特定向量，从而为每个原始 CNN 特征向量生成一个编辑版本。这些被选中的向量对应于每个图像类别中的非友好概念。从合并特征集训练出的分类器可以在训练数据有限时显著提高单个类别的模型泛化能力。在包括 VOC 2007 (60.1%)、2010 (56.4%) 和 2012 (56.3%) 在内的标准数据集上进行的基于分类的目标检测实验结果表明，使用简单的线性支持向量机（support vector machines）时，平均精度均值（mAP）有了明显提升。
引用
@article{arxiv.1409.6911,
title = {Do More Dropouts in Pool5 Feature Maps for Better Object Detection},
author = {Zhiqiang Shen and Xiangyang Xue},
journal= {arXiv preprint arXiv:1409.6911},
year = {2014}
}
备注
9 pages, 7 figures