是什么带来了物体提议的泛化能力？
计算机视觉与模式识别
2020-08-14 v1
摘要
物体提议生成通常是许多检测模型的第一步。训练一个能泛化到未见类别的良好提议模型是很有价值的。这有助于以更少标注将检测模型扩展到更多类别。受此启发，我们研究了在少量源类别上训练的检模型如何提供泛化到未见类别的提议。我们系统研究了数据集所需的性质——视觉多样性和标签空间粒度——以实现良好泛化。我们展示了使用细粒度标签与粗粒度标签之间的权衡。我们引入了原型类别的概念：一组充分且必要的类别，用于以更高数据效率训练检测模型以获得泛化提议。在Open Images V4数据集上，我们表明仅可选取25%的类别来构成这样的原型集。使用这些类别训练的模型所产生的提议，在平均召回率（AR）上仅比使用所有类别差4.3%。我们还证明，相比RetinaNet等单阶段网络，Faster R-CNN模型能带来更好的提议泛化。
引用
@article{arxiv.2008.05700,
title = {What leads to generalization of object proposals?},
author = {Rui Wang and Dhruv Mahajan and Vignesh Ramanathan},
journal= {arXiv preprint arXiv:2008.05700},
year = {2020}
}