卷积网络、可变形部件模型与非极大值抑制的端到端集成
计算机视觉与模式识别
2014-11-20 v1
摘要
可变形部件模型（Deformable Parts Models）和卷积网络（Convolutional Networks）均在目标检测中取得了显著性能。然而，这两种方法的优势领域互补：DPM 擅长目标组合建模，能够刻画部件间细粒度的空间关系；同样，ConvNets 擅长生成强大的图像特征，因其直接在像素上进行了判别式训练。本文提出了一种结合这两种方法的新模型，以获取各自的优势。我们使用一种新的结构化损失函数训练该模型，该函数考虑了图像内的所有边界框，而非孤立的目标实例。这使得先前作为独立后处理阶段的非极大值抑制（NMS）操作能够被集成到模型中。从而实现了我们组合的 Convnet + DPM + NMS 模型的端到端判别式训练。我们在 PASCAL VOC 2007 和 2011 数据集上评估了我们的系统，在两个基准测试中均取得了具有竞争力的结果。
引用
@article{arxiv.1411.5309,
title = {End-to-End Integration of a Convolutional Network, Deformable Parts Model and Non-Maximum Suppression},
author = {Li Wan and David Eigen and Rob Fergus},
journal= {arXiv preprint arXiv:1411.5309},
year = {2014}
}