尺度不变全卷积网络：高效检测人手
计算机视觉与模式识别
2020-01-20 v1
摘要
现有的人手检测方法通常遵循多阶段流程，计算成本高，即特征提取、区域提议、边界框回归，以及用于旋转区域检测的额外层。本文提出了一种新的以端到端方式训练的尺度不变全卷积网络（SIFCN），用于高效检测人手。具体而言，我们以迭代方式融合从高层到低层的特征图，与简单拼接它们相比，能更好地处理不同尺度的人手，且时间开销更少。此外，我们开发了互补加权融合（CWF）模块，以充分利用多层间的独特特征来实现尺度不变性。为处理旋转人手检测，我们提出了旋转图，以摆脱复杂的旋转和逆旋转层。此外，我们设计了多尺度损失方案，通过向网络的中间层添加监督，显著加速了训练过程。与最先进的方法相比，我们的算法在VIVA数据集上展现出可比的准确率，且运行速度快4.23倍，并在牛津人手检测数据集上以62.5 fps的速度实现了更高的平均精度。
引用
@article{arxiv.1906.04634,
title = {Scale Invariant Fully Convolutional Network: Detecting Hands Efficiently},
author = {Dan Liu and Dawei Du and Libo Zhang and Tiejian Luo and Yanjun Wu and Feiyue Huang and Siwei Lyu},
journal= {arXiv preprint arXiv:1906.04634},
year = {2020}
}
备注
Accepted to AAAI2019