重新思考级联 R-CNN 的分类与定位
计算机视觉与模式识别
2019-07-30 v1
摘要
我们通过一种简单的特征共享机制扩展了最先进的 Cascade R-CNN。我们的方法聚焦于该检测器所遭受的一个关键问题：在高 IoU 上性能提升但在低 IoU 阈值上性能下降。特征共享极为有用，我们的结果表明，给定该机制嵌入到所有阶段，我们可以轻松缩小最后阶段与前序阶段在低 IoU 阈值上的差距，而无需借助常用的测试集成（testing ensemble）而是仅靠网络自身。我们还观察到受益于特征共享在所有 IoU 阈值上的明显改进，并且所得级联结构可以轻松匹敌或超越其对应结构，仅引入了可忽略的额外参数。为了推进极限，我们在 COCO 目标检测上展示了 43.2 AP，没有任何花哨技巧（包括测试集成），以较大幅度超越了先前的 Cascade R-CNN。我们的框架易于实现，并希望它能作为未来研究的一个通用且强大的基线。
引用
@article{arxiv.1907.11914,
title = {Rethinking Classification and Localization for Cascade R-CNN},
author = {Ang Li and Xue Yang and Chongyang Zhang},
journal= {arXiv preprint arXiv:1907.11914},
year = {2019}
}
备注
BMVC 2019 Camera Ready