用于图像理解的实例尺度归一化
计算机视觉与模式识别
2020-06-11 v2
摘要
尺度变化仍是目标检测中的一个挑战性问题。常见范式通常采用多尺度训练与测试（图像金字塔）或 FPN（特征金字塔网络）来处理宽尺度范围内的对象。然而，多尺度方法加剧了更多的尺度变化，即便是带有 FPN 的深度卷积神经网络也无法很好应对。本文提出一种称为实例尺度归一化（ISN）的创新范式以解决上述问题。ISN 在训练与测试阶段均将对象的尺度空间压缩至一致范围（ISN 范围）。这从根本上消除了尺度变化问题并降低了网络优化难度。实验表明，在多种架构上，ISN 在目标检测、实例分割和多任务人体姿态估计方面显著超越多尺度对应方法。在 COCO test-dev 上，我们基于 ISN 的单一模型以 ResNet-101 为骨干网络取得 46.5 mAP，位居目标检测最优（SOTA）结果之列。
引用
@article{arxiv.1908.07323,
title = {Instance Scale Normalization for image understanding},
author = {Zewen He and He Huang and Yudong Wu and Guan Huang and Wensheng Zhang},
journal= {arXiv preprint arXiv:1908.07323},
year = {2020}
}