基于掩码特征编码的目标检测
计算机视觉与模式识别
2018-02-13 v1
摘要
基于区域的卷积神经网络（R-CNNs）在目标检测领域已取得巨大成功。现有R-CNN通常将感兴趣区域（ROI）划分为网格，然后利用各网格在ROI中相对位置所反映的空间信息来定位物体。本文提出一种新颖的特征编码方法，其中空间信息通过视觉模式的空间分布来表示。具体而言，我们设计了一个掩码权重网络（MWN）来学习一组掩码，然后对ROI特征图施加逐通道掩码操作，接着进行全局池化与一个低开销全连接层。我们将新设计的特征编码器集成到Faster R-CNN架构中。所得新型Faster R-CNNs在使用显著更少参数的情况下可保持标准Faster R-CNNs的目标检测精度。相较于采用最先进PS ROI池化与可变形PS ROI池化的R-FCNs，新型Faster R-CNNs能以良好的运行效率产生更高的目标检测精度。我们还展示了专门设计并学习的MWN可捕获全局上下文信息并进一步提升目标检测精度。验证实验在PASCAL VOC与MS COCO数据集上进行。
引用
@article{arxiv.1802.03934,
title = {Object Detection with Mask-based Feature Encoding},
author = {Xiaochuan Fan and Hao Guo and Kang Zheng and Wei Feng and Song Wang},
journal= {arXiv preprint arXiv:1802.03934},
year = {2018}
}
备注
8 pages