RN-VID：一种用于视频目标检测的特征融合架构
计算机视觉与模式识别
2020-04-03 v2
摘要
视频中的连续帧具有高度冗余性。因此，为执行视频目标检测任务，对每一帧不加复用地执行单帧检测器是相当浪费的。正是基于这一想法，我们提出 RN-VID (意为 RetinaNet-VIDeo)，一种视频目标检测的新方法。我们的贡献有两点。首先，我们提出一种新架构，允许利用邻近帧的信息来增强特征图。其次，我们提出一种新模块，通过通道重排与 1 x 1 卷积来融合同维特征图。随后我们证明，RN-VID 以极小的额外推理成本取得了优于相应单帧检测器的平均精度均值 (mAP)。
引用
@article{arxiv.2003.10898,
title = {RN-VID: A Feature Fusion Architecture for Video Object Detection},
author = {Hughes Perreault and Maguelonne Héritier and Pierre Gravel and Guillaume-Alexandre Bilodeau and Nicolas Saunier},
journal= {arXiv preprint arXiv:2003.10898},
year = {2020}
}