Poly-YOLO：更高速度、更精确的检测与 YOLOv3 的实例分割扩展
计算机视觉与模式识别
2020-06-01 v2 机器学习
图像与视频处理
摘要
我们提出 YOLO 的新版本 Poly-YOLO，其性能更优并扩展了实例分割功能。Poly-YOLO 基于 YOLOv3 的原有思想，去除了其两个弱点：大量重写标签与锚框的低效分布。Poly-YOLO 通过以超列技术聚合轻量 SE-Darknet-53 主干的特征、使用阶梯式上采样，并生成单一尺度高分辨率输出，减轻了这些问题。与 YOLOv3 相比，Poly-YOLO 的可训练参数仅为其 60%，却将 mAP 相对提升了 40%。我们还提出参数更少、输出分辨率更低的 Poly-YOLO lite。其精度与 YOLOv3 相同，但体积小三倍、速度快两倍，因此适用于嵌入式设备。最后，Poly-YOLO 使用边界多边形进行实例分割。网络被训练用于检测定义在极坐标系网格上、与尺寸无关的多边形。每个多边形的顶点连同其置信度一并被预测，因此 Poly-YOLO 可生成具有可变顶点数的多边形。
引用
@article{arxiv.2005.13243,
title = {Poly-YOLO: higher speed, more precise detection and instance segmentation for YOLOv3},
author = {Petr Hurtik and Vojtech Molek and Jan Hula and Marek Vajgl and Pavel Vlasanek and Tomas Nejezchleba},
journal= {arXiv preprint arXiv:2005.13243},
year = {2020}
}
备注
18 pages, 15 figures, submitted to IEEE Transactions on Pattern Analysis and Machine Intelligence (under review), Source code is available at https://gitlab.com/irafm-ai/poly-yolo