HoughNet：融合近距与远距证据的自底向上目标检测
计算机视觉与模式识别
2020-07-27 v3
摘要
本文提出 HoughNet，一种单阶段、无锚框、基于投票的自底向上目标检测方法。受广义 Hough 变换启发，HoughNet 通过投在该位置的投票之和来确定某位置是否存在物体。投票基于对数极坐标投票场从近距和远距位置收集。得益于该投票机制，HoughNet 能够融合近距与远距、类别条件的证据用于视觉识别，从而推广并增强了当前通常仅依赖局部证据的目标检测方法。在 COCO 数据集上，HoughNet 的最佳模型取得了 46.4 （以及 65.1 ），与自底向上目标检测中的最优（state-of-the-art）性能相当，并优于大多数主流单阶段和两阶段方法。我们通过在另一任务即“标签到图像”生成中，将 HoughNet 的投票模块集成到两种不同的 GAN 模型，并表明两种情况下精度均显著提升，进一步验证了所提方法的有效性。代码见 https://github.com/nerminsamet/houghnet。
引用
@article{arxiv.2007.02355,
title = {HoughNet: Integrating near and long-range evidence for bottom-up object detection},
author = {Nermin Samet and Samet Hicsonmez and Emre Akbas},
journal= {arXiv preprint arXiv:2007.02355},
year = {2020}
}
备注
ECCV 2020 camera-ready version