NL-FCOS：通过非局部模块改进 FCOS 的目标检测
计算机视觉与模式识别
2023-09-06 v1
摘要
近年来，我们见证了目标检测任务的显著进展，主要归因于卷积神经网络的优异表现。在此背景下，基于锚点的模型取得了最佳结果。然而，这些模型需要关于目标对象长宽比和尺度的先验信息，需要更多超参数来拟合。此外，使用锚点来拟合边界框似乎远不同于我们的视觉系统执行同一视觉任务的方式。相反，我们的视觉系统利用不同场景部分的相互作用来语义地识别对象，称为知觉分组。一种更贴近自然模型的物体检测方法是无锚点检测，其中 FCOS 或 Centernet 等模型已展现出有竞争力的结果，但这些模型尚未利用知觉分组的概念。因此，为了在保持低推理时间的同时提高无锚点模型的有效性，我们提出添加非局部注意力（NL 模块）以增强底层骨干网络的特征图。NL 模块实现了知觉分组机制，使感受野在视觉表征学习中相互协作。我们表明，非局部模块与 FCOS 检测头结合（NL-FCOS）是实用且高效的。由此，我们在服装检测和手写金额识别问题上确立了最先进的性能。
引用
@article{arxiv.2203.15638,
title = {NL-FCOS: Improving FCOS through Non-Local Modules for Object Detection},
author = {Lukas Pavez and Jose M. Saavedra Rondo},
journal= {arXiv preprint arXiv:2203.15638},
year = {2023}
}