SRF-GAN：用于多尺度表示的特征超分辨率生成对抗网络
计算机视觉与模式识别
2020-11-18 v1
摘要
近期的卷积目标检测器利用带有自顶向下路径的多尺度特征表示，以在不同尺度上检测目标并学习更强的语义特征响应。通常，在自顶向下特征传播过程中，较粗的特征图被上采样以与自底向上路径传递的特征相融合，而融合后的更强语义特征作为检测器头部的输入。然而，尽管最近邻和双线性等简单插值方法会导致噪声和模糊特征，它们仍被用于提升特征分辨率。本文中，我们提出了一种用于超分辨率化卷积目标检测器特征的新颖生成器。为此，我们首先设计了由基于检测的生成器和特征块判别器组成的超分辨率特征GAN（SRF-GAN）。此外，我们提出了SRF-GAN损失，以生成高质量超分辨率特征并同时提升检测精度。我们的SRF生成器可替代传统插值方法，并易于与其他常规检测器结合进行微调。为证明这一点，我们使用若干近期单阶段和两阶段检测器实现了我们的SRF-GAN，并在这些检测器上提升了检测精度。代码见 https://github.com/SHLee-cv/SRF-GAN。
引用
@article{arxiv.2011.08459,
title = {SRF-GAN: Super-Resolved Feature GAN for Multi-Scale Representation},
author = {Seong-Ho Lee and Seung-Hwan Bae},
journal= {arXiv preprint arXiv:2011.08459},
year = {2020}
}
备注
10 pages, 2figures