用于更精确目标检测的侧感知边界定位
计算机视觉与模式识别
2020-08-27 v2
摘要
当前的目标检测框架主要依赖边界框回归来定位目标。尽管近年来取得了显著进展，边界框回归的精度仍不尽如人意，从而限制了目标检测的性能。我们观察到精确的定位需要仔细放置边界框的每一条边。然而，聚焦于预测中心和尺寸的主流方法并非完成此任务的最有效方式，尤其当锚框与目标之间存在大方差位移时。在本文中，我们提出一种替代方法，称为侧感知边界定位（SABL），其中边界框的每一条边分别由一个专用的网络分支定位。为解决存在大方差位移时精确定位的困难，我们进一步提出一种两步定位方案，首先通过桶预测预测移动范围，然后在预测桶内精确定位。我们在两阶段和单阶段检测框架上测试了所提方法。用所提设计替换标准边界框回归分支，在 Faster R-CNN、RetinaNet 和 Cascade R-CNN 上分别带来 3.0%、1.7% 和 0.9% 的显著提升。代码见 https://github.com/open-mmlab/mmdetection。
引用
@article{arxiv.1912.04260,
title = {Side-Aware Boundary Localization for More Precise Object Detection},
author = {Jiaqi Wang and Wenwei Zhang and Yuhang Cao and Kai Chen and Jiangmiao Pang and Tao Gong and Jianping Shi and Chen Change Loy and Dahua Lin},
journal= {arXiv preprint arXiv:1912.04260},
year = {2020}
}
备注
ECCV 2020 Spotlight