HAR-Net：面向单阶段目标检测的混合注意力联合学习
计算机视觉与模式识别
2020-02-19 v1
摘要
目标检测一直是计算机视觉中的一项具有挑战性的任务。尽管基于深度神经网络的目标检测已取得显著进展，但注意力机制尚远未发展成熟。本文提出面向单阶段目标检测的混合注意力机制。首先，我们给出单阶段目标检测的空间注意力、通道注意力和对齐注意力模块。特别地，构建具有对称固定膨胀率的堆叠空洞卷积层以学习空间注意力；通道注意力通过跨层组归一化与压缩激励模块提出；对齐注意力由规整的可变形滤波器构建。其次，将三种注意力统一构建为混合注意力机制。随后我们将混合注意力嵌入 Retina-Net，提出高效的单阶段 HAR-Net 用于目标检测。在 COCO 检测数据集上对所提注意力模块及 HAR-Net 进行了评估。实验表明，混合注意力能显著提升检测精度，且 HAR-Net 可达到当前最优的 45.8% mAP，优于现有单阶段目标检测器。
引用
@article{arxiv.1904.11141,
title = {HAR-Net: Joint Learning of Hybrid Attention for Single-stage Object Detection},
author = {Ya-Li Li and Shengjin Wang},
journal= {arXiv preprint arXiv:1904.11141},
year = {2020}
}