【每周论文阅读-第四周】proposal-level 特征聚合视频目标检测方法02

上篇文章链接：https://blog.csdn.net/m0_38065546/article/details/96710698

2 Sequence Level Semantics Aggregation for Video Object Detection

文章链接：https://arxiv.org/abs/1907.06390v1

方法

这篇文章总体思路其实和上篇文章差不多的，主要有以下几个不同
1、本文中没有只聚合同一个类的proposal，而不是全部proposal
2、没有考虑proposal间的位置信息
3、作者将其提出的方法与谱聚类方法进行了类比，将视频目标检测定义为muti-shot问题，而不是时间序列问题，将视频检测与时序解耦。
4、采样帧数不再局限于3帧，而是聚合多个帧的proposal特征到一个关键帧proposal，这也是为什么题目中说是序列级聚合，其实聚合的还是proposal。
具体来看，如下图：
对于关键帧上的某个proposal，聚合来自其他帧中的同类proposal。

如何评判两个proposal同属一个类别？

在这里作者用余弦相似度来判断两个proposal是否来自同一个类别：
对于一对proposal$\left({\mathbf{x}}_i^k,{\mathbf{x}}_j^l\right)$它们之间的相似性 w i j k l