RON：具有目标性先验的反向连接网络用于目标检测
计算机视觉与模式识别
2017-07-07 v1
摘要
我们提出 RON，一个高效且有效的通用目标检测框架。我们的动机是巧妙结合基于区域（如 Faster R-CNN）和无区域（如 SSD）方法的最佳特性。在全卷积架构下，RON 主要关注两个基本问题：(a) 多尺度目标定位与 (b) 负样本挖掘。针对 (a)，我们设计了反向连接，使网络能够在 CNN 的多层级上检测目标。针对 (b)，我们提出目标性先验以显著减小目标的搜索空间。我们通过多任务损失函数联合优化反向连接、目标性先验和目标检测器，因此 RON 可以直接从各种特征图的所有位置预测最终检测结果。在具有挑战性的 PASCAL VOC 2007、PASCAL VOC 2012 和 MS COCO 基准上的大量实验证明了 RON 的竞争力。具体而言，使用 VGG-16 和低分辨率 384X384 输入尺寸，该网络在 PASCAL VOC 2007 上获得 81.3% mAP，在 PASCAL VOC 2012 数据集上获得 80.7% mAP。其在更大更困难的数据集上优势增加，MS COCO 数据集上的结果证明了这一点。在测试阶段占用 1.5G GPU 内存的情况下，网络速度为 15 FPS，比 Faster R-CNN 对应方法快 3 倍。
引用
@article{arxiv.1707.01691,
title = {RON: Reverse Connection with Objectness Prior Networks for Object Detection},
author = {Tao Kong and Fuchun Sun and Anbang Yao and Huaping Liu and Ming Lu and Yurong Chen},
journal= {arXiv preprint arXiv:1707.01691},
year = {2017}
}
备注
Project page will be available at https://github.com/taokong/RON, and formal paper will appear in CVPR 2017