专家排序：检测网络集成
计算机视觉与模式识别
2017-12-04 v1
摘要
卷积检测器的最新进展在大规模目标检测上展现出令人印象深刻的性能提升。然而，一般而言，检测性能通常随着待检测物体类别的增加而下降，并且由于检测模型与数据集的局限性，训练一个对所有类别都占优的模型是一个实际上的挑战性问题。因此在多数情况下，现代卷积检测器在各物体类别检测上存在明显的性能差异。在本文中，为构建用于大规模目标检测的检测器集成，我们提出了一种概念简单却非常有效的按类集成检测方法，命名为专家排序（Rank of Experts）。我们首先将寻找所有物体类别最佳检测这一棘手问题，分解为为每个物体类别寻找最佳检测的小子问题。然后我们通过按各类别平均精度率对检测器排序来解决检测问题，并聚合排名靠前检测器（即专家）的响应以进行按类集成检测。我们方法的主要好处是易于实现且不需要任何针对集成的专家联合训练。基于所提出的专家排序，我们在 ILSVRC 2017 目标检测竞赛中获得第二名。
引用
@article{arxiv.1712.00185,
title = {Rank of Experts: Detection Network Ensemble},
author = {Seung-Hwan Bae and Youngwan Lee and Youngjoo Jo and Yuseok Bae and Joong-won Hwang},
journal= {arXiv preprint arXiv:1712.00185},
year = {2017}
}