面向尺度不变性与位置敏感的区域提议网络
计算机视觉与模式识别
2018-07-26 v1
摘要
准确局部化目标提议是当前最先进目标检测框架实现高检测率的重要前提。目标检测方法的精度已被证明与提议的平均召回率(AR)高度相关。本工作中，我们提出一种先进的目标提议网络，其有利于目标性分类的平移不变性、边界框回归的平移可变性、用于捕获全局上下文的大有效感受野，以及用于处理从极小到大型一系列目标尺寸时的尺度不变性。该网络架构的设计旨在简洁而有效，并具备实时性能。无需额外技巧，所提出的目标提议网络在PASCAL VOC与COCO数据集上分别以1,000个提议将AR显著提升了35%与45%，并且在输入图像尺寸为640^{2}时具有44.8 ms的快速推理时间。经验研究还表明，所提方法为类别无关，可推广至通用目标提议。
引用
@article{arxiv.1807.09528,
title = {Toward Scale-Invariance and Position-Sensitive Region Proposal Networks},
author = {Hsueh-Fu Lu and Xiaofei Du and Ping-Lin Chang},
journal= {arXiv preprint arXiv:1807.09528},
year = {2018}
}
备注
22 pages, 10 figures, accepted by ECCV2018