用于高效高质量目标提议生成的序贯优化
计算机视觉与模式识别
2017-05-23 v3
摘要
我们的动机源于需要一种通用的目标提议生成算法，能在目标检测召回率、提议定位质量与计算效率之间取得良好平衡。我们提出一种新颖的目标提议算法BING++，它继承了BING计算效率高的优点，但显著改善了其提议定位质量。在高层，我们从一种新颖的概率视角表述目标提议生成问题，基于此我们的BING++通过利用边缘与分割来估计目标边界并顺序更新提议，从而管理定位质量的提升。我们提出通过在量化参数空间中搜索近似解以降低复杂度，从而高效学习参数。我们展示了BING++在相同固定参数下跨不同目标类别与数据集的泛化能力。经验上，我们的BING++在CPU上能以BING一半的速度运行，但在VOC2007与Microhsoft COCO数据集上分别将定位质量显著提高了18.5%和16.7%。与其他最先进方法相比，BING++能取得可比性能，但运行显著更快。
引用
@article{arxiv.1511.04511,
title = {Sequential Optimization for Efficient High-Quality Object Proposal Generation},
author = {Ziming Zhang and Yun Liu and Xi Chen and Yanjun Zhu and Ming-Ming Cheng and Venkatesh Saligrama and Philip H. S. Torr},
journal= {arXiv preprint arXiv:1511.04511},
year = {2017}
}
备注
Accepted by TPAMI