Inside-Outside Net：利用跳跃池化和循环神经网络进行上下文目标检测
计算机视觉与模式识别
2015-12-15 v1
摘要
众所周知，上下文和多尺度表示对于准确的视觉识别十分重要。本文提出Inside-Outside Net (ION)，一种利用感兴趣区域内部和外部信息的目标检测器。感兴趣区域外部的上下文信息通过空间循环神经网络进行整合。在内部，我们使用跳跃池化(skip pooling)来提取多尺度和多抽象层级的信息。通过大量实验，我们评估了设计空间，并为读者提供了哪些实用技巧重要的概览。ION在PASCAL VOC 2012目标检测上将state-of-the-art从73.9% mAP提升至76.4% mAP。在更新且更具挑战性的MS COCO数据集上，我们将state-of-the-art从19.7%提升至33.1% mAP。在2015年MS COCO检测挑战赛中，我们的ION模型获得了最佳学生论文奖并名列总榜第三。正如直觉所示，我们的检测结果提供了有力证据，表明上下文和多尺度表示能改善小目标检测。
引用
@article{arxiv.1512.04143,
title = {Inside-Outside Net: Detecting Objects in Context with Skip Pooling and Recurrent Neural Networks},
author = {Sean Bell and C. Lawrence Zitnick and Kavita Bala and Ross Girshick},
journal= {arXiv preprint arXiv:1512.04143},
year = {2015}
}