利用行列式点过程学习实例感知的目标检测
计算机视觉与模式识别
2019-09-04 v3
摘要
近期的目标检测器在对候选区域进行分类的同时寻找实例。由于每个区域被独立评估，检测器产生的候选区域数量通常大于物体数量。由于检测的最终目标是为每个物体分配单次检测，因此使用非极大值抑制（NMS）等启发式算法为物体选择单个边界框。虽然简单的启发式算法对独立物体有效，但它们可能漏检重叠物体。在本文中，我们通过训练网络利用候选框之间的关系来区分不同物体，从而解决此问题。我们提出一种实例感知检测网络（IDNet），它能够学习从候选区域提取特征并度量其相似度。基于成对相似度与检测质量，IDNet 使用实例感知行列式点过程推断（IDPP）选择候选边界框的子集。大量实验表明，在 PASCAL VOC 和 MS COCO 数据集上，所提算法相比现有最先进的检测方法在检测重叠物体方面取得了显著提升。
引用
@article{arxiv.1805.10765,
title = {Learning Instance-Aware Object Detection Using Determinantal Point Processes},
author = {Nuri Kim and Donghoon Lee and Songhwai Oh},
journal= {arXiv preprint arXiv:1805.10765},
year = {2019}
}