本文介绍了一种通过对手网络动态生成遮挡和形变样本的方法，以增强深度学习物体检测网络对遮挡和形变的鲁棒性。通过Adversarial Spatial Dropout Network（ASDN）和Adversarial Spatial Transformer Network（ASTN），作者在Fast RCNN基础上提高了模型性能。
[CVPR 17 oral]A-Fast-RCNN： Hard Positive Generation via Adversary for Object Detection
Xiaolong Wang, Abhinav Shrivastava and Abhinav Gupta
from CMU
Motivation
这篇文章提出了一种新的对手生成策略，通过训练提升检测网络对遮挡、形变物体的识别精度。
遮挡和形变是检测任务中影响模型性能的两个显著因素。增加网络对遮挡和形变的鲁棒性的一个方式是增加数据库的体量。但是由于遮挡的图片一般都处在图像分布的长尾部分，即便增加数据，遮挡和形变的图片仍是占比较少的部分。另一个思路就是使用生成网络产生遮挡和形变图片。然而遮挡和形变的情况太多，直接生成这些图片还是比较困难的事情。
在这篇文章中，作者的思路是训练一个对手网络，让这个网络动态产生困难的遮挡和形变样本。以遮挡为例，作者希望被训练的检测网络会认为哪里的遮挡更难以处理。之后去遮挡这些区域的特征，从而让检测网络努力学习这些困难的遮挡情况。对于形变的情况同理。
与其它提升检测网络性能的方法，如换用更强大的主干网络、使用自上而下的网络设计等相比，本文提出的方法则是考虑如何更加充分地利用训练数据。
Method
针对遮挡和形变两种情况，作者在Fast RCNN[1]的RoI poo
最低0.47元/天 解锁文章
2445
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
