HyperNet: Towards Accurate Region Proposal Generation and Joint Object Detection
2016-04-12 16:58
267 查看
提出了一种Proposal提取和目标检测一体的网络,Faster-rcnn中的proposal提取网络RPN由于特征图的粗糙,在小目标及大IOU阈值情况下的检测率低。论文提出了HyperNet,综合低层,中间层和高层特征获得了较高的recall率。
HyperNet的示意图如下所示:
HyperNet网络结构
先将全图送入卷积层生成激活图,累积多层特征图压缩至归一化空间,即Hyper特征,之后proposal生成网络输出100个左右的proposal,最后使用检测模型分类及调整proposal。网络结构如下图所示:
生成Hyper特征
使用卷积层计算整张输入图的特征图,为了在同一分辨率下组合多层特征图,作者对不同层使用了不一样的采样策略,在低层使用最大池化下采样,高层特征使用反卷积操作进行上采样。之后对所有的采样结果进行卷积操作,使用局部响应归一化对特征图进行归一化,Hyper特征的几个优势:多层抽象,分辨率适于检测,计算效率高。
生成proposal
设计了一个轻量型的卷积网用于生成proposal,这个卷积网包括一个ROI池化层,一个卷积层和一个全连接层,输出层有两个子层,计算存在物体的可信度和bbox的回归。
目标检测
检测的标准框架FC-Dropout-FC-Dropout,在FC层之前,增加一个卷积层,检测网络输出也有两个子层。
网络训练
训练的算法如下:
与现有方法的对比:
HyperNet的示意图如下所示:
HyperNet网络结构
先将全图送入卷积层生成激活图,累积多层特征图压缩至归一化空间,即Hyper特征,之后proposal生成网络输出100个左右的proposal,最后使用检测模型分类及调整proposal。网络结构如下图所示:
生成Hyper特征
使用卷积层计算整张输入图的特征图,为了在同一分辨率下组合多层特征图,作者对不同层使用了不一样的采样策略,在低层使用最大池化下采样,高层特征使用反卷积操作进行上采样。之后对所有的采样结果进行卷积操作,使用局部响应归一化对特征图进行归一化,Hyper特征的几个优势:多层抽象,分辨率适于检测,计算效率高。
生成proposal
设计了一个轻量型的卷积网用于生成proposal,这个卷积网包括一个ROI池化层,一个卷积层和一个全连接层,输出层有两个子层,计算存在物体的可信度和bbox的回归。
目标检测
检测的标准框架FC-Dropout-FC-Dropout,在FC层之前,增加一个卷积层,检测网络输出也有两个子层。
网络训练
训练的算法如下:
与现有方法的对比:
相关文章推荐
- NSObject中的常用方法
- Excessive AWR Growth From Partitioned Objects Such as SYS.WRH$_EVENT_HISTOGRAM Causing Sysaux to Grow
- JSONObject使用方法
- [Rational Rose 2007]解决启动报”解决无法启动此程序因为丢失suite objects.dll“的问题
- Caused by: java.lang.NoClassDefFoundError: org/objectweb/asm/Type
- object-c(UILabel)
- 老问题新讨论:再论a different object with the same (2010-07-22 01:41:34)
- 法线从object space到eye space的转换((normal matrix)
- Sea.js出现Uncaught TypeError: object is not a function
- ObjectMapper ,XStream 日期格式设置
- Objective-C学习笔记1
- objc_getAssociatedObject, objc_setAssociatedObject通过类目加属性
- Objective-C基于CIDetector的人脸检测
- [__NSArrayI addObject:]: unrecognized selector sent to instance
- 7 | Objective-C动态特性
- json字符串转换为JSONObject和JSONArray
- Java - Object类
- UE4中StaticLoadClass和StaticLoadObject
- OC阅读笔记十八:僵尸对象(Zombie Object)
- ios objective-c block