利用区域相似性学习改进目标检测
计算机视觉与模式识别
2017-03-02 v1
摘要
目标检测旨在识别图像或视频中某类语义物体的实例。最先进方法的成功归功于目标提议和卷积神经网络 (CNNs) 的显著进展。大多数有前景的检测器采用多任务学习，优化目标为 softmax 损失和回归损失。前者用于多类分类，后者用于提升定位精度。然而，极少有方法尝试进一步研究将不同类型干扰背景区域（即负样本）与真实物体区域（即正样本）区分的难度。为提升正物体区域与多种负背景区域分类的性能，我们提出将三元组嵌入纳入学习目标。三元组单元通过将每个负区域分配给一个有意义的物体类别并建立类特定负样本，随后构造三元组来形成。在基准 PASCAL VOC 2007 上，所提出的三元组嵌入使知名的 FastRCNN 模型性能提升 2.1% mAP。特别地，最先进方法 OHEM 可受益于三元组嵌入，并实现了 1.2% 的 mAP 提升。
引用
@article{arxiv.1703.00234,
title = {Improving Object Detection with Region Similarity Learning},
author = {Feng Gao and Yihang Lou and Yan Bai and Shiqi Wang and Tiejun Huang and Ling-Yu Duan},
journal= {arXiv preprint arXiv:1703.00234},
year = {2017}
}
备注
6 pages, 5 figures