SRN：用于自然场景目标对称性检测的侧输出残差网络
计算机视觉与模式识别
2017-04-04 v2
摘要
本文通过提出一个新的基准数据集和一种端到端的深度学习方法，为复杂背景下的目标对称性检测建立了基线，为自然场景中的对称性检测开辟了一个有前景的方向。新基准名为Sym-PASCAL，其挑战涵盖目标多样性、多目标、部件不可见性以及远超现有数据集的各种复杂背景。所提出的对称性检测方法名为侧输出残差网络（SRN），利用侧输出残差单元（RU）来拟合目标对称性真值与残差单元输出之间的误差。通过以由深到浅的方式堆叠残差单元，SRN利用多个尺度间的误差“流”，以缓解用有限层拟合复杂输出、抑制复杂背景以及有效匹配不同尺度目标对称性等问题。实验结果验证了该基准及其与现实世界图像相关的挑战性方面，以及我们的对称性检测方法的最新性能。该基准与SRN代码已公开于https://github.com/KevinKecc/SRN。
引用
@article{arxiv.1703.02243,
title = {SRN: Side-output Residual Network for Object Symmetry Detection in the Wild},
author = {Wei Ke and Jie Chen and Jianbin Jiao and Guoying Zhao and Qixiang Ye},
journal= {arXiv preprint arXiv:1703.02243},
year = {2017}
}
备注
Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2017