Universal-RCNN：基于可迁移图 R-CNN 的通用目标检测器
计算机视觉与模式识别
2020-02-19 v1
摘要
主流的目标检测方法将每个数据集分开处理并针对特定领域进行拟合，若不大量重训练便无法适应其他领域。本文致力于设计一个通用目标检测模型，该模型利用来自多个领域的不同类别粒度，并在一个系统中预测各类别。现有工作通过在一个共享骨干网络上集成多个检测分支来处理该问题。然而，这一范式忽视了多个领域之间关键的语义关联，例如类别层级、视觉相似性和语言关系。为克服这些缺陷，我们提出了一种名为 Universal-RCNN 的新型通用目标检测器，它引入图迁移学习，在多个数据集之间传播相关语义信息以实现语义一致性。具体而言，我们首先通过整合所有类别的高级语义表示来生成一个全局语义池。随后，一个域内推理模块在空间感知 GCN 的指导下学习并传播单个数据集内的稀疏图表示。最后，提出一个跨域迁移模块，以利用所有领域间多样的迁移依赖关系，并通过全局地关注与迁移语义上下文来增强区域特征表示。大量实验表明，所提方法显著优于多分支模型，并在多个目标检测基准上取得了最先进结果（COCO 上 mAP：49.1%）。
引用
@article{arxiv.2002.07417,
title = {Universal-RCNN: Universal Object Detector via Transferable Graph R-CNN},
author = {Hang Xu and Linpu Fang and Xiaodan Liang and Wenxiong Kang and Zhenguo Li},
journal= {arXiv preprint arXiv:2002.07417},
year = {2020}
}
备注
Accepted by AAAI20