基于关键点密度的区域提议用于使用区域卷积神经网络特征的细粒度目标检测与分类
计算机视觉与模式识别
2016-03-03 v1
摘要
尽管区域卷积神经网络（CNN）的最新进展使其在标准目标检测和分类任务上优于传统技术，但其响应时间对于实时性能而言仍然较慢。为了解决这个问题，我们提出了一种区域提议方法，作为当前最先进目标检测算法中使用的选择性搜索的替代方案。我们评估了我们的基于关键点密度的区域提议（KDRP）方法，并表明在不牺牲分类准确性的前提下，与现有的选择性搜索区域提议技术相比，它将细粒度任务的检测和分类速度提高了100%。KDRP使得将CNN应用于实时检测和分类成为可行。
引用
@article{arxiv.1603.00502,
title = {Keypoint Density-based Region Proposal for Fine-Grained Object Detection and Classification using Regions with Convolutional Neural Network Features},
author = {JT Turner and Kalyan Gupta and Brendan Morris and David W. Aha},
journal= {arXiv preprint arXiv:1603.00502},
year = {2016}
}
备注
9 pages, 5 figures, 3 tables