面向基于锚点的单阶段目标检测的位置感知边界框推理
计算机视觉与模式识别
2020-07-14 v1
摘要
在大多数目标检测框架中，实例分类的置信度被用作预测边界框的质量准则，如非极大值抑制（NMS）中基于置信度的排序。然而，表征空间关系的边界框质量不仅与分类分数相关。相较于基于区域提议网络（RPN）的检测器，单阶段目标检测器因缺乏对边界框提议的预筛选而受困于边界框质量。本文针对单阶段目标检测器，提出一种用于边界框的基于锚点的位置感知推理（LAAR）。LAAR 在边界框质量评估中同时考虑位置与分类置信度。我们引入一种新颖网络模块来学习锚点与真实框之间的相对位置，记为定位分数，其在推理阶段充当位置参考。所提定位分数引出独立的回归分支，并通过给预测定位分数打分来校准边界框质量，从而在 NMS 中挑选出最合格的边界框。在 MS COCO 和 PASCAL VOC 基准上的实验表明，该位置感知框架提升了当前基于锚点的单阶段目标检测框架的性能，并产出一致且鲁棒的检测结果。
引用
@article{arxiv.2007.06233,
title = {Location-Aware Box Reasoning for Anchor-Based Single-Shot Object Detection},
author = {Wenchi Ma and Kaidong Li and Guanghui Wang},
journal= {arXiv preprint arXiv:2007.06233},
year = {2020}
}