基于区域分解与组装的目标检测
计算机视觉与模式识别
2020-11-17 v2
摘要
基于区域的目标检测推断图像中一个或多个类别的目标区域。由于深度学习和区域提议方法的最新进展，基于卷积神经网络（CNNs）的目标检测器蓬勃发展并提供了有前景的检测结果。然而，由于遮挡和不准确的区域提议所导致的目标 CNN 特征区分性低，检测精度常常下降。因此，在本文中我们提出一种区域分解与组装检测器（R-DAD）以实现更准确的目标检测。在所提出的 R-DAD 中，我们首先将一个目标区域分解为多个小区域。为联合捕捉目标的整体外观与局部细节，我们在整个目标区域及分解区域中提取 CNN 特征。随后，我们通过区域组装块逐阶段组合多区域特征，学习目标与其部件之间的语义关系，并使用组合后的高层语义特征进行目标分类与定位。此外，为获得更准确的区域提议，我们提出一种可生成多种尺度目标提议的多尺度提议层。我们将 R-DAD 集成到若干特征提取器中，并证明在 PASCAL07/12 和 MSCOCO18 上相比近期卷积检测器有显著的性能提升。
引用
@article{arxiv.1901.08225,
title = {Object Detection based on Region Decomposition and Assembly},
author = {Seung-Hwan Bae},
journal= {arXiv preprint arXiv:1901.08225},
year = {2020}
}
备注
Accepted to 2019 AAAI Conference on Artificial Intelligence (AAAI)