PBRnet：用于提升目标定位精度的金字塔式边界框细化网络
计算机视觉与模式识别
2020-03-11 v1
摘要
许多近期开发的目标检测器聚焦于由粗到精框架，其包含若干阶段，从粗粒度到细粒度对候选框进行分类与回归，并逐步获得更精确的检测。特征金字塔网络(FPN)等多分辨率模型整合不同分辨率层级的信息并有效提升性能。先前研究亦揭示，定位精度可通过以下方式进一步提升：1) 使用更具平移不变性的细粒度信息；2) 细化更关注局部边界信息的局部区域。基于这些原则，我们设计了一种新颖的边界细化架构，通过将以粗到精框架与特征金字塔结构相结合来提升定位精度，命名为金字塔式边界框细化网络(PBRnet)，其逐步参数化物体逐渐聚焦的边界区域，并在细化预测边界框时利用低层特征图提取更精细的局部信息。在 MS-COCO 数据集上进行了大量实验。当添加至 FPN 或 Libra R-CNN 时，PBRnet 带来约 3 个 点的显著性能提升。此外，将 Cascade R-CNN 视为由粗到精检测器并将其定位分支替换为 PBRnet 的回归器，可带来额外 1.5 的性能改进，总计性能提升高达 5 个 点。
引用
@article{arxiv.2003.04541,
title = {PBRnet: Pyramidal Bounding Box Refinement to Improve Object Localization Accuracy},
author = {Li Xiao and Yufan Luo and Chunlong Luo and Lianhe Zhao and Quanshui Fu and Guoqing Yang and Anpeng Huang and Yi Zhao},
journal= {arXiv preprint arXiv:2003.04541},
year = {2020}
}