通过宽高比与上下文感知的区域卷积网络进行目标检测
计算机视觉与模式识别
2017-03-23 v2
摘要
联合整合宽高比与上下文信息在传统目标检测系统（如 DPM）中已被广泛研究并证明能提升性能。然而，这一策略在基于深度神经网络的检测系统中基本被忽视。本文提出了一种融合多种目标模型与区域卷积神经网络以实现精确目标检测的方法。每个混合分量同时显式地考虑目标宽高比与多尺度上下文信息：（i）利用 RoI 池化中的多种平铺配置组合，以修正单一类型 RoI 池化（如等尺寸 7×7 单元）引起的形变伪影，从而更好地保留目标形状；（ii）通过融合两种尺度的上下文信息——从整幅图像全局池化的全局上下文和从 RoI 周围局部池化的局部上下文——实现"从 RoI 内外两侧同时观察"。为实现精确检测，本文提出了一种多阶段检测方案来整合多种目标模型，该方案在训练和测试中均利用前一阶段的检测结果作为当前阶段的候选区域。所提方法称为宽高比与上下文感知区域卷积网络（ARC-R-CNN）。实验结果表明，ARC-R-CNN 在 PASCAL VOC 和 Microsoft COCO 两个数据集上与 Faster R-CNN [41] 和 R-FCN [10] 表现极具竞争力。在两个数据集上使用高 IoU 阈值时，其 mAP 性能显著优于对比方法。
引用
@article{arxiv.1612.00534,
title = {Object Detection via Aspect Ratio and Context Aware Region-based Convolutional Networks},
author = {Bo Li and Tianfu Wu and Shuai Shao and Lun Zhang and Rufeng Chu},
journal= {arXiv preprint arXiv:1612.00534},
year = {2017}
}