学习高斯图用于密集目标检测
计算机视觉与模式识别
2020-05-01 v2 图像与视频处理
摘要
目标检测是计算机视觉中著名的研究分支，近来已提出许多最先进的目标检测算法，但当涉及密集目标检测时，这些检测器表现如何？本文在大量外观相似物体彼此紧邻放置的场景下，回顾了常见且高精度的目标检测方法。我们还表明，高斯图与分类及边界框回归的多任务学习相较基线带来了显著的精度提升。我们在现有 RetinaNet 网络中引入高斯层与高斯解码器，以在密集场景中取得更好精度，且计算成本与 RetinaNet 相同。我们展示了相较基线 RetinaNet 在 mAP 上分别获得 6% 和 5% 的提升。我们的方法在 SKU110K 数据集上也达到了最先进的精度。
引用
@article{arxiv.2004.11855,
title = {Learning Gaussian Maps for Dense Object Detection},
author = {Sonaal Kant},
journal= {arXiv preprint arXiv:2004.11855},
year = {2020}
}