学习分解用于目标检测和实例分割
计算机视觉与模式识别
2016-05-12 v3 机器学习
摘要
尽管深度卷积神经网络（CNNs）在目标检测和分割上取得了显著成果，但仍需要区域提议和非极大值抑制（NMS）等前处理和后处理步骤。这些步骤导致高计算复杂度以及对超参数的敏感性，例如NMS的阈值。本工作中，我们提出一种新颖的端到端可训练深度神经网络架构，由卷积层和循环层组成，给定一幅图像，仅通过单次网络评估即可生成正确数量的目标实例及其边界框（或分割掩码），无需任何前处理或后处理步骤。我们在使用MNIST合成的多位数字图像中检测数字、自动分割这些图像中的数字、以及在KITTI基准数据集中检测车辆上进行了测试。所提方法在合成数字数据集上优于强大的CNN基线，并在KITTI车辆检测上展示了有前景的结果。
引用
@article{arxiv.1511.06449,
title = {Learning to decompose for object detection and instance segmentation},
author = {Eunbyung Park and Alexander C. Berg},
journal= {arXiv preprint arXiv:1511.06449},
year = {2016}
}
备注
ICLR 2016 Workshop