可扩展的高质量目标检测
计算机视觉与模式识别
2015-12-10 v3
摘要
当前高质量的目标检测方法使用基于显著性的目标提议方法，然后使用深度卷积特征进行后分类的方案。这推动了最近在改进目标提议方法方面的研究。然而，领域无关的提议生成有一个主要缺点：提议没有排序或排序非常弱，使得难以在质量和运行时间之间进行权衡。这引发了一个更基本的问题：高质量提议生成是否需要精心设计，还是可以仅从数据中推导出来。我们证明了基于学习的提议方法可以有效地匹配手工设计方法的性能，同时允许非常高效的运行时-质量权衡。使用多尺度卷积MultiBox（MSC-MultiBox）方法，我们在ILSVRC 2014检测挑战数据集上大幅推进了最先进水平，单个模型mAP为0.5，两个模型集成的mAP为0.52。MSC-MultiBox显著提高了其前身MultiBox方法的提议质量：在ILSVRC检测挑战中，AP从0.42增加到0.53。最后，我们展示了在Microsoft-COCO数据集上，与多尺度组合分组相比，使用更少的提议获得了更好的边界框召回率。
引用
@article{arxiv.1412.1441,
title = {Scalable, High-Quality Object Detection},
author = {Christian Szegedy and Scott Reed and Dumitru Erhan and Dragomir Anguelov and Sergey Ioffe},
journal= {arXiv preprint arXiv:1412.1441},
year = {2015}
}