面向基于区域目标检测的分层上下文嵌入
计算机视觉与模式识别
2021-09-01 v1
摘要
最先进的两阶段目标检测器将分类器应用于稀疏的目标提议集合,依赖由 RoIPool 或 RoIAlign 提取的区域级特征作为输入。尽管区域级特征与提议位置对齐良好,其仍可能缺乏过滤噪声背景检测以及识别无明显外观特征物体所必需的上下文信息。为解决此问题,我们提出一个简单而有效的分层上下文嵌入(Hierarchical Context Embedding, HCE)框架,可作为即插即用组件,通过挖掘上下文线索提升一系列基于区域检测器的分类能力。具体而言,为推进对上下文依赖物体类别的识别,我们提出图像级类别嵌入模块,利用整体图像级上下文学习物体级概念。随后,通过利用整幅图像与感兴趣区域之下的分层嵌入上下文信息生成新颖 RoI 特征,其亦与常规 RoI 特征互补。此外,为充分利用我们的分层上下文 RoI 特征,我们提出早-晚融合策略(即特征融合与置信度融合),可结合使用以提升基于区域检测器的分类精度。综合实验表明,我们的 HCE 框架灵活且可泛化,在包括 FPN、Cascade R-CNN 与 Mask R-CNN 在内的多种基于区域检测器上取得显著且一致的提升。
引用
@article{arxiv.2008.01338,
title = {Hierarchical Context Embedding for Region-based Object Detection},
author = {Zhao-Min Chen and Xin Jin and Borui Zhao and Xiu-Shen Wei and Yanwen Guo},
journal= {arXiv preprint arXiv:2008.01338},
year = {2021}
}
备注
Accepted by ECCV 2020