DSIC：面向多尺度目标检测的动态样本个性化连接器
计算机视觉与模式识别
2021-03-26 v2
摘要
尽管得益于深度学习的巨大成功，目标检测已达成里程碑，但尺度变化仍是关键挑战。为缓解该问题，人们提出了多层级特征融合方法，如经典的 Feature Pyramid Network (FPN，特征金字塔网络) 及其改进。然而，这些方法专门设计的特徵整合模块对于特征融合而言可能并非最优架构。此外，当输入不同样本时，这些模型具有固定的架构和数据流路径，无法针对各类数据进行调整与兼容。为克服上述局限，我们提出一种用于多尺度目标检测的动态样本个性化连接器 (DSIC)。它动态调整网络连接以适应不同样本。具体而言，DSIC 由两个组件构成：尺度内选择门 (ISG) 与跨尺度选择门 (CSG)。ISG 自适应地从骨干网络提取多层级特征作为特征整合的输入。CSG 基于多层级特征自动激活富含信息的数据流路径。此外，这两个组件均为即插即用，可嵌入任意骨干网络。实验结果表明，所提方法优于现有最优方法 (state-of-the-arts)。
引用
@article{arxiv.2011.07774,
title = {DSIC: Dynamic Sample-Individualized Connector for Multi-Scale Object Detection},
author = {Zekun Li and Yufan Liu and Bing Li and Weiming Hu},
journal= {arXiv preprint arXiv:2011.07774},
year = {2021}
}