POD:基于尺度敏感网络的实用目标检测
计算机视觉与模式识别
2019-09-16 v1
摘要
尺度敏感目标检测仍是一项具有挑战性的任务,现有大多数方法无法显式学习尺度且对尺度变化不够鲁棒。此外,大多数现有方法在训练时效率较低或推理时较慢,不利于实时应用。本文提出一种基于尺度敏感网络的实用目标检测方法。我们的方法首先为每个网络阶段每个卷积滤波器预测一个由所有位置共享的全局连续尺度。为有效学习该尺度,我们对空间特征取平均并从通道中提炼尺度。为快速部署,我们提出一种尺度分解方法,将鲁棒的分数尺度转化为每个卷积滤波器的固定整数尺度组合,其利用了空洞卷积。我们在不同配置下的单阶段和两阶段算法上进行了验证。对于实际应用,我们的方法训练高效且简单,摆脱了复杂的数据采样或优化策略。在测试期间,所提方法无需额外操作,并且非常支持 TensorRT 和 TVM 等硬件加速。在 COCO test-dev 上,我们的模型基于 ResNet-101 在单阶段检测器上可达到 41.5 mAP,在两阶段检测器上可达到 42.1 mAP,分别优于基线 2.4 和 2.1,且不增加额外 FLOPS。
引用
@article{arxiv.1909.02225,
title = {POD: Practical Object Detection with Scale-Sensitive Network},
author = {Junran Peng and Ming Sun and Zhaoxiang Zhang and Tieniu Tan and Junjie Yan},
journal= {arXiv preprint arXiv:1909.02225},
year = {2019}
}
备注
arXiv admin note: text overlap with arXiv:1901.06563 by other authors