目标检测——day45 深度区域集：用于通用对象检测的混合表示和深度学习

Deep Learning for Generic Object Detection 2021)

资源下载

点击下载原文pdf

深度区域集：用于通用对象检测的混合表示和深度学习

4 DEEP REGIONLETS

4.1 System Architecture

该系统旨在仅使用输入图像和地面真相边界框以完全端到端的方式进行训练。
Fig. 1，对象建议生成网络RPN——对象分类网络和对象坐标回归网络——RPN生成一组候选边界框——分类网络通过将由RPN生成的拟议边界框内的卷积特征合并并执行线性分类来确定边界框是否包含感兴趣的对象

4.2 Region Selection Network

RSN设计为具有以下属性:

使用具有三个完全连接的层的小型神经网络来设计RSN。前两个全连接层具有256的输出大小，并具有ReLU激活。最后一个全连接层的输出大小为9

4.2.1 Initialization ofSub-Region Selection Network

Fig. 3，显示了从一个投影变换和一个仿射变换初始化的示例.3个单元中的其他8个以类似的方式初始化，希望从选定区域中提取regionlet，以更好地表示具有可变形状和可变形零件的对象。

4.3 Deep Regionlet Learning

我们的方法通过使用门控网络以柔和的方式执行精细的特征选择和池化。
任何可参数化的变换都可以由空间变换器学习

4.3.1 BackPropagation Through Spatial Transform

4.3.2 Gating Network

Fig. 4，使用具有sigmoid激活的全连接层设计了简单的门控网络。sigmoid分别生成相应的权重，最终的特征表示由特征图的乘积 V及其对应的权重生成。

4.3.3 Regionlet Pool Construction

6 EXPERIMENTS

6.1 Ablation Study on PASCAL VOC

在PASCAL VOC检测基准上综合评估所提出的深度区域方法，以了解其行为。

6.1.1 Comparison With the Conventional Regionlets Detection Schema

Table 1，所有这些观察结果支持了将传统区域方法集成到端到端可训练深度学习框架的有效性。

6.1.2 Ablation Studyon Each Component

研究所提出的方法来理解每个组件及其行为。为了进行公平的比较，我们采用ResNet-101作为消融研究的主干网络

Table 2，研究结果清楚地表明，RSN对于深度区域化方法是不可或缺的。

6.1.3 How Many Regions Should RSN Learn?

Table 3，对于固定的区域学习数量，当选择区域数量增加时，平均AP增加，但选择区域数达到16时饱和。

6.1.4 How Many Regionlets Should we Learn in One Selected Region?

Table 3，当以非常高的密度水平学习区域时，可能会学习一些冗余的空间信息，而不会对检测有用，从而影响要做出的基于区域提案的决策。

7 CONCLUSION

本文提出了一种新的基于深度区域的目标检测方法。所提出的区域选择网络可以在检测边界框内选择非矩形区域，从而可以更好地建模具有刚性形状和可变形部分的对象。我们还设计了深度区域学习模块，使所选区域和区域都可以同时学习。此外，拟议的系统可以以完全终端的方式进行培训，而不需要额外的努力。最后，我们在通用目标检测的两个检测基准上广泛地评估了我们的方法。实验结果表明，竞争的性能。