R-FCN-3000 以 30fps 运行：解耦检测与分类
计算机视觉与模式识别
2017-12-06 v1
摘要
我们提出 R-FCN-3000，一种大规模实时目标检测器，其中目标性检测与分类被解耦。为获得一个 RoI 的检测得分，我们将目标性得分与细粒度分类得分相乘。我们的方法是对 R-FCN 架构的改进，其中位置敏感滤波器在不同目标类别间共享以执行定位。对于细粒度分类，这些位置敏感滤波器并非必需。R-FCN-3000 在 ImageNet 检测数据集上获得 34.9% 的 mAP，并以每秒处理 30 张图像的速度超越 YOLO-9000 达 18%。我们还表明 R-FCN-3000 学习到的目标性可泛化到新颖类别，且性能随训练目标类别数量增加而提升——支持了学习通用目标性检测器的可能性这一假设。代码将公开提供。
引用
@article{arxiv.1712.01802,
title = {R-FCN-3000 at 30fps: Decoupling Detection and Classification},
author = {Bharat Singh and Hengduo Li and Abhishek Sharma and Larry S. Davis},
journal= {arXiv preprint arXiv:1712.01802},
year = {2017}
}
备注
CVPR 2018 submission