选择性卷积网络：一种忽略背景的高效目标检测器
计算机视觉与模式识别
2020-02-05 v1
摘要
众所周知，注意力机制能有效提升许多 CNN（包括目标检测器）的性能。与普遍细化特征图不同，我们通过一种新颖的注意力尝试来降低高昂的计算复杂度。因此，我们引入了一种称为选择性卷积网络（SCN）的高效目标检测器，它仅在包含有意义且有益信息的部位进行选择性计算。基本思想是排除不显著的背景区域，这有效降低了计算成本，尤其在特征提取期间。为此，我们设计了一个开销可忽略的精细结构来引导网络下一步关注何处。它是端到端可训练且易嵌入的。无需额外的分割数据集，我们探索了包括直接监督和间接监督在内的两种不同训练策略。大量实验在 PASCAL VOC2007 和 MS COCO 检测数据集上评估了性能。结果表明，集成我们方法的 SSD 和 Pelee 平均减少了 1/5 到 1/3 范围内的计算量，且精度损失轻微，证明了 SCN 的可行性。
引用
@article{arxiv.2002.01205,
title = {Selective Convolutional Network: An Efficient Object Detector with Ignoring Background},
author = {Hefei Ling and Yangyang Qin and Li Zhang and Yuxuan Shi and Ping Li},
journal= {arXiv preprint arXiv:2002.01205},
year = {2020}
}
备注
Accepted at ICASSP 2020