用于单阶段目标检测的空间融合学习
计算机视觉与模式识别
2019-11-26 v2
摘要
金字塔特征表示是解决目标检测中尺度变化挑战的常规做法。然而，不同特征尺度间的不一致性是基于特征金字塔的单阶段检测器的主要局限。在本工作中，我们提出一种新颖且数据驱动的金字塔特征融合策略，称为自适应空间特征融合（ASFF）。它学习空间过滤冲突信息的方式以抑制不一致性，从而提高特征的尺度不变性，并引入几乎可忽略的推理开销。借助 ASFF 策略和 YOLOv3 的稳健基线，我们在 MS COCO 数据集上实现了最佳的速度-精度权衡，报告了 60 FPS 下 38.1% AP、45 FPS 下 42.4% AP 和 29 FPS 下 43.9% AP。代码可在 https://github.com/ruinmessi/ASFF 获取。
引用
@article{arxiv.1911.09516,
title = {Learning Spatial Fusion for Single-Shot Object Detection},
author = {Songtao Liu and Di Huang and Yunhong Wang},
journal= {arXiv preprint arXiv:1911.09516},
year = {2019}
}