SAN：用于多尺度目标检测的学习卷积特征间关系
计算机视觉与模式识别
2018-08-16 v1
摘要
近来大多数精确目标检测的成功方法都建立在卷积神经网络（CNN）之上。然而，由于基于CNN的检测方法缺乏尺度归一化，特征空间中被激活的通道会随尺度完全不同，这种差异使得分类器难以学习样本。我们提出了一种尺度感知网络（Scale Aware Network, SAN），将不同尺度的卷积特征映射到一个尺度不变子空间，以使基于CNN的检测方法对尺度变化更具鲁棒性，并构建了一种独特的学习方法，该方法仅考虑通道间的关系而不使用空间信息，以实现SAN的高效学习。为证明方法的有效性，我们通过通道激活矩阵可视化了卷积特征随尺度的变化，并通过实验表明SAN减小了尺度空间中的特征差异。我们在VOC PASCAL和MS COCO数据集上评估了我们的方法，并通过在结构与参数上进行的若干实验展示了SAN。所提出的SAN可普遍应用于许多基于CNN的检测方法，以轻微增加计算时间为代价提升检测精度。
引用
@article{arxiv.1808.04974,
title = {SAN: Learning Relationship between Convolutional Features for Multi-Scale Object Detection},
author = {Yonghyun Kim and Bong-Nam Kang and Daijin Kim},
journal= {arXiv preprint arXiv:1808.04974},
year = {2018}
}