用于目标检测的单次精炼神经网络
计算机视觉与模式识别
2018-01-04 v3
摘要
在目标检测中，两阶段方法（如 Faster R-CNN）已取得最高精度，而单阶段方法（如 SSD）具有高效率的优势。为兼顾二者优点并克服其缺点，本文提出一种新颖的基于单次检测的探测器，称为 RefineDet，其精度优于两阶段方法，并维持与单阶段方法相当的效率。RefineDet 由两个互联模块组成，即锚点精炼模块与目标检测模块。具体而言，前者旨在（1）滤除负锚点以减小分类器的搜索空间，以及（2）粗略调整锚点的位置与尺寸，为后续回归器提供更好的初始化。后者模块将精炼后的锚点作为前者的输入，进一步改善回归并预测多类标签。同时，我们设计了一个转移连接块，将锚点精炼模块中的特征传递至目标检测模块以预测目标的位置、尺寸与类标签。多任务损失函数使我们能够以端到端方式训练整个网络。在 PASCAL VOC 2007、PASCAL VOC 2012 和 MS COCO 上的大量实验表明，RefineDet 以高效率实现了最先进的检测精度。代码见 https://github.com/sfzhang15/RefineDet
引用
@article{arxiv.1711.06897,
title = {Single-Shot Refinement Neural Network for Object Detection},
author = {Shifeng Zhang and Longyin Wen and Xiao Bian and Zhen Lei and Stan Z. Li},
journal= {arXiv preprint arXiv:1711.06897},
year = {2018}
}
备注
14 pages, 7 figures, 7 tables