YOLOV：使静态图像目标检测器在视频目标检测中表现出色
计算机视觉与模式识别
2023-03-07 v2
摘要
视频目标检测（VID）具有挑战性，因为目标外观变化大且某些帧中存在多样的退化。从积极的一面看，与静态图像相比，视频中某一帧的检测可从其他帧获得支持。因此，如何跨不同帧聚合特征对 VID 问题至关重要。大多数现有聚合算法是为两阶段检测器定制的。然而，由于其两阶段性质，这些检测器通常计算开销大。本工作提出了一种简单而有效的策略来解决上述顾虑，其以边际开销换取准确率的显著提升。具体地，不同于传统两阶段流程，我们在一阶段检测后筛选重要区域，以避免处理大量低质量候选。此外，我们评估目标帧与参考帧之间的关系以引导聚合。我们进行了大量实验和消融研究来验证我们设计的有效性，并揭示了其在效果与效率上优于其他最先进的 VID 方法。我们基于 YOLOX 的模型能取得颇具前景的性能（例如，在单张 2080Ti GPU 上于 ImageNet VID 数据集以超过 30 FPS 达到 87.5% AP50），使其对大规模或实时应用具有吸引力。实现简单，我们已在 \url{https://github.com/YuHengsss/YOLOV} 提供演示代码与模型。
引用
@article{arxiv.2208.09686,
title = {YOLOV: Making Still Image Object Detectors Great at Video Object Detection},
author = {Yuheng Shi and Naiyan Wang and Xiaojie Guo},
journal= {arXiv preprint arXiv:2208.09686},
year = {2023}
}