SINet：一种用于快速车辆检测的尺度不敏感卷积神经网络
计算机视觉与模式识别
2020-05-15 v2
摘要
随着深度卷积神经网络(CNN)的发展，基于视觉的车辆检测方法近年来取得了令人难以置信的成功。然而，现有的基于 CNN 的算法存在如下问题：卷积特征在目标检测任务中对尺度敏感，而交通图像与视频中常见包含尺度差异很大的车辆。本文中，我们深入探究尺度敏感性的来源，并揭示两个关键问题：1) 现有 RoI 池化破坏了小尺度目标的结构；2) 大尺度方差带来的大类内距离超出了单一网络的表示能力。基于这些发现，我们提出一种尺度不敏感卷积神经网络(SINet)，用于快速检测具有大尺度方差的车辆。首先，我们提出上下文感知 RoI 池化，以维持小尺度目标的上下文信息与原结构。其次，我们提出多分支决策网络以最小化特征的类内距离。这些轻量技术不带来额外时间复杂度，却显著提升了检测精度。所提技术可配备于任意深度网络架构并保持端到端训练。我们的 SINet 在 KITTI 基准与一个包含大尺度方差及极小目标的新高速公路数据集上，于精度与速度(高达 37 FPS)方面均达到最先进性能。
引用
@article{arxiv.1804.00433,
title = {SINet: A Scale-insensitive Convolutional Neural Network for Fast Vehicle Detection},
author = {Xiaowei Hu and Xuemiao Xu and Yongjie Xiao and Hao Chen and Shengfeng He and Jing Qin and Pheng-Ann Heng},
journal= {arXiv preprint arXiv:1804.00433},
year = {2020}
}
备注
Accepted by IEEE Transactions on Intelligent Transportation Systems (T-ITS)