Object Detection in Videos with Tubelet Proposal Networks
文章链接:https://arxiv.org/abs/1702.06355
来源:CVPR 2017
视频目标检测中另一类主流的方法就是以目标跟踪的方式生成Tubelet方法,其主要思想是通过链接前后帧同一目标的box生成Tubelet ,以生成稳定的检测结果。但是之前的方法存在耗时长且无法生成长时间的Tubelet的问题。作者从一个全新的思路出发,借鉴FPN的思想,用视频中某一帧的porposal作为锚点,并从锚点出发通过Tubelet Proposal Networks生成长时间的 Tubelet ,之后用双向LSTM为 Tubelet 中的每个proposal分类。
方法
整个方法分类以下几个步骤
- 生成空间锚点集。
- 用回归网络回归各个帧中的锚点相对于初始帧锚点的位移量,生成空间Tubelets。
- 用一个双向LSTM网络对Tubelet中的各个Box进行分类。
先上图
生成空间锚点集
从 t = 1 t = 1 t=1开始,每隔几帧选一帧作为锚帧,通过FPN网络生成该帧的proposals,我们将其作为空间锚点集(spital anchors)。
构建回归网络
对于一个锚点(spital anchor) b 1 i b_{1}^{i} b1i,为了生成从 b 1 i b_{1}^{i} b1i开始的一个Tubelet proposal,我们将该锚点位置复制到之后的 w w w帧,生成一个初始的Tubelet ( t 1 i , t 2 i , ⋯   , t w i ) \left(\mathbf{t}_{1}^{i}, \mathbf{t}_{2}^{i}, \cdots, \mathbf{t}_{w}^{i}\right) (t1i,t2i,⋯,twi)。我们用ROI pooling提取各个帧上该位置处的特征, ( r 1 i , r 2 i , ⋯   , r w i ) \left(\mathbf{r}_{1}^{i}, \mathbf{r}_{2}^{i}, \cdots, \mathbf{r}_{w}^{i}\right) (r1i,r2i,⋯,rwi)。之后我们构建一个回归网络 R ( ⋅ ) R(\cdot) R(⋅)用于生成Tubelet proposal。
m 1 i , m 2 i , ⋯   , m w i = R ( r 1 i , r 2 i , ⋯   , r