通过门控特征复用从零训练改进目标检测
计算机视觉与模式识别
2019-07-09 v2
摘要
本文提出一种简单且参数高效的即插即用模块，用于像SSD这类单阶段目标检测器在从零学习（即无预训练模型）时。我们称该模块为GFR（门控特征复用），其具有两大主要优势。首先，我们引入一种由Squeeze-and-Excitation启用的新型门控预测策略，基于输入目标尺寸自适应增强或减弱不同尺度的监督。因此，我们的模型在检测多尺度目标时更为有效。其次，我们提出一种特征金字塔结构，将丰富的空间与语义特征压缩至单一预测层，增强了特征表示并减少了待学习参数数量。我们将所提结构应用于DSOD与SSD检测框架，并在PASCAL VOC 2007、2012与COCO数据集上评估性能。在更少模型参数下，GFR-DSOD分别超越基线DSOD达1.4%、1.1%、1.7%与0.6%。GFR-SSD在VOC 2007数据集上也分别超越原始SSD与带密集预测的SSD达3.6%与2.8%。代码见：https://github.com/szq0214/GFR-DSOD。
引用
@article{arxiv.1712.00886,
title = {Improving Object Detection from Scratch via Gated Feature Reuse},
author = {Zhiqiang Shen and Honghui Shi and Jiahui Yu and Hai Phan and Rogerio Feris and Liangliang Cao and Ding Liu and Xinchao Wang and Thomas Huang and Marios Savvides},
journal= {arXiv preprint arXiv:1712.00886},
year = {2019}
}
备注
Accepted in BMVC 2019. Code: https://github.com/szq0214/GFR-DSOD