A-Fast-RCNN算法是2017年卡内基梅隆大学提出的,其将对抗学习引入到目标检测问题中,通过对抗网络生成一下遮挡和变形的训练样本来训练检测网络,从而使得网络能够对遮挡和变形问题更加的鲁棒。使用对抗网络生成有遮挡和有形变的两种特征,两种网络分别为ASDN和ASTN。
ASDN利用Fast R-CNN中ROI池化层之后的每个目标proposal卷积特征作为对抗网络的输入,给定一个目标的特征,ASDN尝试生成特征某些部分被dropout的掩码,导致检测器无法识别该物体。在前向传播过程中,首先使用ASDN在ROI池化层之后生成特征掩码,然后使用重要性采样法生成二值掩码,使用该掩码将特征对应部位值清零,修改后的特征继续前向传播计算损失,这个过程生成了困难的特征,用于训练检测器。
ASTN主要关注特征旋转,定位网络包含三层全连接层,前两层是ImageNet预训练的FC6和FC7,训练过程与ASDN类似,ASTN对特征进行形变,将特征图划分为4个block,每个block估计四个方向的旋转,增加了任务的复杂度。两种对抗网络可以相结合,使得检测器更鲁棒,ROI池化层提取的特征首先传入ASDN丢弃一些激活,之后使用ASTN对特征进行形变。
A-FAST-RCNN
最新推荐文章于 2022-03-28 01:07:23 发布