面向全图CNN车辆检测的尺度优化
计算机视觉与模式识别
2018-02-21 v1 人工智能
摘要
许多最先进的通用目标检测方法利用了共享的全图卷积特征（如 Faster R-CNN 中所示）。这实现了合理的测试阶段计算时间，同时享有大型卷积神经网络（CNN）模型所提供的判别力。此类设计在自然图像基准上表现出色，但这些基准具有非常不自然的分布，即目标类别频率高得不合常理，且偏向于“友好”或“主导”的物体尺度。本文中，我们进一步研究 Faster R-CNN 目标检测方法在呈现自然尺度分布与无偏真实世界物体频率的数据集上的使用与适配。特别地，我们展示了使检测器尺度敏感度与现有分布更好对齐可改善车辆检测性能。我们通过修改区域提议的选择，以及在 CNN 模型内使用更尺度合适的全图卷积特征来实现这一点。通过在区域提议输入中选择更好的尺度，并通过精心设计的卷积神经网络组合特征图，我们提升了对较小物体的性能。我们将 KITTI 数据集车辆类的检测 AP 从基线 Faster R-CNN 检测器的 76.3% 显著提升至改进检测器的 83.6%。
引用
@article{arxiv.1802.06926,
title = {Scale Optimization for Full-Image-CNN Vehicle Detection},
author = {Yang Gao and Shouyan Guo and Kaimin Huang and Jiaxin Chen and Qian Gong and Yang Zou and Tong Bai and Gary Overett},
journal= {arXiv preprint arXiv:1802.06926},
year = {2018}
}
备注
Accepted by 2017 IEEE Intelligent Vehicles Symposium (IV). Link: http://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=7995812