论文翻译之Enriched Feature Guided Refinement Network for Object Detection
摘要 我们提出了一个单阶段检测框架,该框架解决了多尺度目标检测和类不平衡的问题。我们没有设计更深层的网络,而是引入了一种简单而有效的特征丰富化方案来生成多尺度的上下文特征。我们进一步引入了一种级联的优化(精炼)方案,该方案首先将多尺度的上下文特征注入到一阶段检测器的预测层中,以增强其进行多尺度检测的判别能力。 其次,级联精炼方案通过细化锚(anchors)和丰富的特征以改善分类和回归来解决类不平衡问题。 实验在两个基准上执行:PASCAL VOC和MSCOCO。 对于MS COCO测试上的320×320输入,我们的检测器在单尺度推理的情况下以33.2的COCO AP达到了最先进的一阶段检测精度,操作是在一个Titan XP GPU上以21毫秒运行的 。 对于MS COCO测试上的512×512输入,与最佳报告的单阶段结果相比,就COCO AP而言,我们的方法获得了一个明显的增加(增加了1.6%)[5]。源代码和模型可在以下位置获得:https://github.com/Ranchentx/EFGRNet. 1. 介绍 目标检测是众多现实应用中的一个活跃的研究问题。 基于卷积神经网络(CNN)的现代目标检测方法可分为两类:(1)两阶段方法[33,23],以及(2)一阶段方法[27,32]。两阶段方法首先生成目标建议,然后对这些建议进行分类和回归