N-RPN：面向区域提议网络的难例学习
计算机视觉与模式识别
2022-08-04 v1
摘要
区域提议任务的目标是生成一组包含物体的候选区域。在该任务中，最重要的是在固定数量的提议中尽可能多地提出真值候选。然而，在典型图像中，难负例相较于海量易负例过少，因此区域提议网络难以在难负例上训练。由于该问题，网络倾向于将难负例作为候选提出，却未能提出真值候选，导致性能不佳。本文中，我们提出负区域提议网络(nRPN)以改进区域提议网络(RPN)。nRPN 从 RPN 的假阳性中学习，并为 RPN 提供难负例。我们提出的 nRPN 减少了假阳性并提升了 RPN 性能。使用 nRPN 训练的 RPN 在 PASCAL VOC 2007 数据集上取得了性能提升。
引用
@article{arxiv.2208.01916,
title = {N-RPN: Hard Example Learning for Region Proposal Networks},
author = {MyeongAh Cho and Tae-young Chung and Hyeongmin Lee and Sangyoun Lee},
journal= {arXiv preprint arXiv:2208.01916},
year = {2022}
}