基于卷积特征图的目标检测网络
计算机视觉与模式识别
2016-08-18 v2
摘要
大多数目标检测器包含两个重要组件：特征提取器和目标分类器。随着大量研究致力于开发更好的深度卷积架构，特征提取器得到了迅速发展。然而，目标分类器并未受到太多关注，许多近期系统（如 SPPnet 和 Fast/Faster R-CNN）使用的是简单的多层感知机。本文表明，精心设计用于目标分类的深度网络同样重要。我们实验了使用共享的、与区域无关的卷积特征的区域级分类器网络。我们将它们称为“卷积特征图上的网络”(NoCs)。我们发现，除了深度特征图外，深度且卷积的区域级分类器对于目标检测尤为重要，而最新的优异图像分类模型（如 ResNets 和 GoogLeNets）若不使用此类区域级分类器，并不能直接带来良好的检测精度。实验表明，尽管存在有效的 ResNets 和 Faster R-CNN 系统，NoCs 的设计仍是 2015 年 ImageNet 和 MS COCO 挑战赛冠军方案的关键要素。
引用
@article{arxiv.1504.06066,
title = {Object Detection Networks on Convolutional Feature Maps},
author = {Shaoqing Ren and Kaiming He and Ross Girshick and Xiangyu Zhang and Jian Sun},
journal= {arXiv preprint arXiv:1504.06066},
year = {2016}
}
备注
To appear in TPAMI; substantial re-writing over the original post at arXiv of April 2015. COCO competition results included