用于高质量目标检测的单次双向金字塔网络
计算机视觉与模式识别
2018-03-23 v1
摘要
近年来，使用深度学习技术的目标检测取得了许多令人兴奋的成果。尽管取得了重大进展，但大多数现有的检测器被设计为以相对低质量的位置预测来检测目标，即通常默认以交并比（IoU）阈值设为 0.5 进行训练，这可能产生低质量甚至有噪声的检测结果。如何设计和训练一个能够实现更精确定位（即 IoU0.5）而不牺牲检测性能的高质量检测器，仍然是一个开放的挑战。在本文中，我们提出了一种用于高质量目标检测的名为双向金字塔网络（BPN）的新型单次检测框架，它由两个新组件组成：（i）用于更有效和鲁棒特征表示的双向特征金字塔结构；以及（ii）用于更有效训练的级联锚框精修，以逐步精修预定义锚框的质量。我们的实验表明，所提出的 BPN 在 PASCAL VOC 和 MS COCO 数据集上的所有单阶段目标检测器中取得了最佳性能，尤其是在高质量检测方面。
引用
@article{arxiv.1803.08208,
title = {Single-Shot Bidirectional Pyramid Networks for High-Quality Object Detection},
author = {Xiongwei Wu and Daoxin Zhang and Jianke Zhu and Steven C. H. Hoi},
journal= {arXiv preprint arXiv:1803.08208},
year = {2018}
}