目标检测--Object Detection via Aspect Ratio and Context Aware
2017-03-30 15:18
603 查看
Object Detection via Aspect Ratio and Context Aware Region-based Convolutional Networks
https://arxiv.org/abs/1612.00534
本文针对目标检测问题在 R-FCN基础上提出了 ARC-RCNN,主要改进是使用了Aspect Ratio 和 Context 这两个信息。
通过增加计算量来提升性能。
我们要解决的问题如下图所示:
不管是一开始的 image warp 还是后来的 feature warp 都会引入artifacts,这里我们引入Aspect Ratio 和 Context 来修正。
整个系统流程图如下所示:
首先使用 CNN Backbone 提取卷积特征,计算Global Context 和 Local Context 特征图,使用 RPN 提取候选区域,对每个 RoI ,我们使用 m 个 Aspect ratio,每个 Aspect ratio 分布计算 roi,local global position-sensitive maps ,综合这三个特征,使用 Soft-MAX进行分类,并进行坐标回归。最后结合 m个 Aspect ratio 检测结果,取最好的作为输出。
https://arxiv.org/abs/1612.00534
本文针对目标检测问题在 R-FCN基础上提出了 ARC-RCNN,主要改进是使用了Aspect Ratio 和 Context 这两个信息。
通过增加计算量来提升性能。
我们要解决的问题如下图所示:
不管是一开始的 image warp 还是后来的 feature warp 都会引入artifacts,这里我们引入Aspect Ratio 和 Context 来修正。
整个系统流程图如下所示:
首先使用 CNN Backbone 提取卷积特征,计算Global Context 和 Local Context 特征图,使用 RPN 提取候选区域,对每个 RoI ,我们使用 m 个 Aspect ratio,每个 Aspect ratio 分布计算 roi,local global position-sensitive maps ,综合这三个特征,使用 Soft-MAX进行分类,并进行坐标回归。最后结合 m个 Aspect ratio 检测结果,取最好的作为输出。
相关文章推荐
- 【深度学习:目标检测】 RCNN学习笔记(11):R-FCN: Object Detection via Region-based Fully Convolutional Networks
- 对抗学习用于目标检测--A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection
- 对抗学习用于目标检测--A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection
- 【深度学习:目标检测】RCNN学习笔记(1):Rich feature hierarchies for accurate object detection and semantic segmentat
- 【深度学习:目标检测】RCNN学习笔记(2):Rich feature hierarchies for accurate object detection and semantic segmentat
- 目标检测“A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection”
- 对抗学习用于目标检测--A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection
- 基于ROS 目标检测与识别-Object Detection and Recognition
- INRIA目标检测和定位工具包 INRIA Object Detection and Localization Toolkit
- 目标检测--R-FCN: Object Detection via Region-based Fully Convolutional Networks
- 目标检测“Object Detection Using Generalization and Efficiency Balanced Co-occurrence Features”
- 目标检测“Exploit All the Layers: Fast and Accurate CNN Object Detector with Scale Dependent Pooling and”
- cs231n学习笔记-关于目标检测(Object Detection)近些年的发展
- 目标检测--Wide-Residual-Inception Networks for Real-time Object Detection
- 目标检测中的尺度--An Analysis of Scale Invariance in Object Detection – SNIP
- 目标检测“A MultiPath Network for Object Detection”
- 深度学习目标检测(object detection)系列(一) R-CNN
- 【转载】论文笔记 《Object detection via a multi-region & semantic segmentation-aware CNN model》
- 目标检测--RON: Reverse Connection with Objectness Prior Networks for Object Detection
- 视频目标检测--Flow-Guided Feature Aggregation for Video Object Detection