RecursiveDet：基于区域的端到端递归目标检测
计算机视觉与模式识别
2023-07-26 v1
摘要
像 Sparse R-CNN 这样的基于区域的端到端目标检测器通常具有多个级联边界框解码阶段，这些阶段根据先前的结果来精炼当前预测。每个阶段内的模型参数相互独立，演化出巨大的成本。在本文中，我们发现解码阶段的一般设置实际上是冗余的。通过简单地共享参数并构建递归解码器，检测器已经获得了显著的改进。递归解码器可通过提议框的位置编码（PE）进一步增强，使其感知输入边界框的精确位置和大小，从而在递归过程中适应来自不同阶段的提议。此外，我们还设计了基于中心度的 PE，以区分边界框内不同位置处的 RoI 特征元素和动态卷积核。为验证所提方法的有效性，我们进行了大量消融实验，并在三个近期主流的基于区域的检测器上构建了完整模型。RecusiveDet 能够以更少的模型参数和略微增加的计算成本实现明显的性能提升。代码见 https://github.com/bravezzzzzz/RecursiveDet。
引用
@article{arxiv.2307.13619,
title = {RecursiveDet: End-to-End Region-based Recursive Object Detection},
author = {Jing Zhao and Li Sun and Qingli Li},
journal= {arXiv preprint arXiv:2307.13619},
year = {2023}
}
备注
Accepted by ICCV 2023