利用上下文感知的组合网络在遮挡下进行鲁棒目标检测
计算机视觉与模式识别
2020-06-02 v2
摘要
检测部分遮挡的目标是一项困难的任务。我们的实验结果表明，深度学习方法（如 Faster R-CNN）在遮挡下的目标检测并不鲁棒。组合卷积神经网络（CompositionalNets）通过将目标显式表示为部件的组合，已被证明在分类遮挡目标方面具有鲁棒性。在这项工作中，我们提出克服 CompositionalNets 的两个局限性，使其能够检测部分遮挡的目标：1) CompositionalNets 以及其他 DCNN 架构，并未明确将上下文的表示与目标本身分离。在严重目标遮挡的情况下，上下文的影响会被放大，这可能在测试时对检测产生严重的负面影响。为克服这一点，我们提出在训练期间通过边界框标注来分割上下文。然后，我们利用这种分割来学习一个上下文感知的 CompositionalNet，以解耦上下文和目标的表示。2) 我们将 CompositionalNets 中基于部件的投票方案扩展为对目标边界框的角点进行投票，这使得模型能够可靠地估计部分遮挡目标的边界框。我们广泛的实验表明，所提出的模型能够鲁棒地检测目标，在 PASCAL3D+ 和 MS-COCO 数据集上，相对于 Faster R-CNN，对严重遮挡车辆的检测性能在绝对性能上分别提高了 41% 和 35%。
引用
@article{arxiv.2005.11643,
title = {Robust Object Detection under Occlusion with Context-Aware CompositionalNets},
author = {Angtian Wang and Yihong Sun and Adam Kortylewski and Alan Yuille},
journal= {arXiv preprint arXiv:2005.11643},
year = {2020}
}
备注
Accepted to CVPR 2020