UnitBox：一种先进的物体检测网络
计算机视觉与模式识别
2016-08-05 v1
摘要
在当前的物体检测系统中，深度卷积神经网络（CNNs）被用于预测目标候选的边界框，并已取得优于传统区域提议方法的性能优势。然而，现有深度 CNN 方法将目标边界视为四个独立变量，可通过 损失分别回归。这种过度简化的假设与广为接受的观测——即这些变量是相关的——相悖，导致定位不够准确。为解决该问题，我们首先引入一种新颖的交并比（）损失函数用于边界框预测，其将预测框的四个边界作为一个整体单元回归。通过利用 损失与深度全卷积网络的优势，提出了 UnitBox，其实现准确高效的定位，对形状和尺度各异的目标表现出鲁棒性，且收敛快速。我们将 UnitBox 应用于人脸检测任务，并在 FDDB 基准上取得了所有已发表方法中的最佳性能。
引用
@article{arxiv.1608.01471,
title = {UnitBox: An Advanced Object Detection Network},
author = {Jiahui Yu and Yuning Jiang and Zhangyang Wang and Zhimin Cao and Thomas Huang},
journal= {arXiv preprint arXiv:1608.01471},
year = {2016}
}
备注
To appear in ACM MM 2016, 5 pages, 6 figures