DSOD：从零开始学习深度监督的目标检测器
计算机视觉与模式识别
2018-05-01 v2 机器学习
摘要
我们提出了深度监督目标检测器（DSOD），这是一个可以从零开始学习目标检测器的框架。最先进的目标检测器严重依赖于在大规模分类数据集（如ImageNet）上预训练的现成网络，这由于分类和检测任务之间损失函数和类别分布的差异而引入了学习偏差。针对检测任务的模型微调可以在一定程度上缓解这种偏差，但不能从根本上解决。此外，在差异较大的领域之间（例如从RGB到深度图像）将预训练模型从分类迁移到检测甚至更加困难。解决这两个关键问题的一个更好方案是从零开始训练目标检测器，这促使了我们提出的DSOD。此前在这方面的努力大多失败，原因是目标检测中损失函数复杂得多且训练数据有限。在DSOD中，我们贡献了一套从零开始训练目标检测器的设计原则。其中一个关键发现是，通过密集的逐层连接实现的深度监督在学习一个好的检测器中起着关键作用。结合其他几个原则，我们遵循单次检测（SSD）框架开发了DSOD。在PASCAL VOC 2007、2012和MS COCO数据集上的实验表明，DSOD能以更紧凑的模型取得比最先进方案更好的结果。例如，DSOD在所有三个基准上均优于SSD，具有实时检测速度，而参数量仅为SSD的1/2、Faster RCNN的1/10。我们的代码和模型可在以下链接获取：https://github.com/szq0214/DSOD。
引用
@article{arxiv.1708.01241,
title = {DSOD: Learning Deeply Supervised Object Detectors from Scratch},
author = {Zhiqiang Shen and Zhuang Liu and Jianguo Li and Yu-Gang Jiang and Yurong Chen and Xiangyang Xue},
journal= {arXiv preprint arXiv:1708.01241},
year = {2018}
}
备注
ICCV 2017. Code and models are available at: https://github.com/szq0214/DSOD