概率化两阶段检测
计算机视觉与模式识别
2021-03-15 v1
摘要
我们提出了一种两阶段目标检测的概率解释。我们表明，这种概率解释启发了许多常见的经验性训练实践，同时也提示了对两阶段检测流程的改进。具体而言，第一阶段应当推断恰当的目标相对于背景的似然度，并由此影响检测器的总体得分。标准的区域提议网络（RPN）无法充分推断该似然度，但许多单阶段检测器可以。我们展示了如何基于任意最先进的单阶段检测器构建概率化两阶段检测器。所得检测器比其单阶段和两阶段前身更快且更准确。我们的检测器在单尺度测试下于 COCO test-dev 上取得 56.4 mAP，优于所有已发表的结果。使用轻量骨干网络时，我们的检测器在 Titan Xp 上以 33 fps 于 COCO 上取得 49.2 mAP，优于流行的 YOLOv4 模型。
引用
@article{arxiv.2103.07461,
title = {Probabilistic two-stage detection},
author = {Xingyi Zhou and Vladlen Koltun and Philipp Krähenbühl},
journal= {arXiv preprint arXiv:2103.07461},
year = {2021}
}
备注
Code is available at https://github.com/xingyizhou/CenterNet2