基于知识的循环注意力神经网络通过特征选择实现小目标检测
计算机视觉与模式识别
2019-04-23 v4 人工智能
摘要
目前，深度神经网络在通用目标检测上的性能已可与人类媲美甚至超越人类。然而，由于深度学习自身的局限性、特征像素占比较小以及模糊与遮挡的出现，复杂场景中微小目标的检测仍是一个开放性问题。但我们不能否认，实时且准确的目标检测对于自动驾驶的自动感知及后续基于感知的决策与规划任务至关重要。考虑到自动驾驶场景中微小目标的特点，我们提出了一种名为 KB-RANN 的新方法，它基于领域知识、直观经验和特征注意力选择。它能够聚焦于图像特征的特定部分，进而试图强调这些特征的重要性并增强它们的学习参数。我们在 KITTI 和 COCO 数据集上的对比实验表明，我们提出的方法在速度和精度上均能取得可观结果，并且可通过重要特征的自选择及对所提方法的持续增强来改进小目标检测效果，并已将其部署于我们自主开发的自动驾驶汽车中。
引用
@article{arxiv.1803.05263,
title = {Feature Selective Small Object Detection via Knowledge-based Recurrent Attentive Neural Network},
author = {Kai Yi and Zhiqiang Jian and Shitao Chen and Nanning Zheng},
journal= {arXiv preprint arXiv:1803.05263},
year = {2019}
}