用于目标提议的由外向内缩放网络与递归训练
计算机视觉与模式识别
2017-02-21 v1
摘要
本文提出一种由外向内缩放（Zoom Out-and-In）网络用于生成目标提议。我们利用网络中不同分辨率的特征图来检测各种尺寸的目标实例。具体地，我们根据尺度大小将锚候选划分为三个簇，并将它们放置在不同步幅的特征图上分别检测小、中、大目标。更深的特征图包含区域级语义，可帮助浅层特征图识别小目标。因此我们设计了一个放大（zoom-in）子网络，通过反卷积操作提高高级特征的分辨率。高分辨率的高级特征随后与低级特征结合并融合以检测目标。此外，我们设计了一种递归训练流程，在训练阶段连续回归区域提议，以匹配测试阶段的迭代回归。我们在ILSVRC DET和MS COCO数据集上证明了所提方法的有效性，我们的算法在各种评估指标上优于最先进方法。它还在检测系统中提高了约2%的平均精度。
引用
@article{arxiv.1702.05711,
title = {Zoom Out-and-In Network with Recursive Training for Object Proposal},
author = {Hongyang Li and Yu Liu and Wanli Ouyang and Xiaogang Wang},
journal= {arXiv preprint arXiv:1702.05711},
year = {2017}
}