StuffNet：利用“Stuff”改进目标检测
计算机视觉与模式识别
2017-01-31 v2
摘要
我们提出了一种基于卷积神经网络（CNN）的目标检测算法——StuffNet。除了用于区域提议和目标检测训练的标准卷积特征 [31] 外，StuffNet 还使用了为目标与“stuff”（如地面和水等无定形类别）分割而训练的卷积特征。通过在 Pascal VOC 2010 上的实验，我们展示了从 stuff 分割中学习到的特征对于提升目标检测性能的重要性。对于小目标，StuffNet 将性能从 18.8% mAP 提升至 23.9% mAP。我们还设计了一种在没有 stuff 分割标签的数据集上训练 StuffNet 的方法。通过在 Pascal VOC 2007 和 2012 上的实验，我们证明了该方法的有效性，并表明 StuffNet 在此类数据集上也显著提升了目标检测性能。
关键词
引用
@article{arxiv.1610.05861,
title = {StuffNet: Using 'Stuff' to Improve Object Detection},
author = {Samarth Brahmbhatt and Henrik I. Christensen and James Hays},
journal= {arXiv preprint arXiv:1610.05861},
year = {2017}
}
备注
Camera-ready version for IEEE WACV 2017