[论文阅读]HyperNet: Towards Accurate Region Proposal Generation and Joint Object Detection

最新推荐文章于 2022-04-25 17:15:14 发布

原创

最新推荐文章于 2022-04-25 17:15:14 发布 · 1.2w 阅读

14 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #目标检测 #计算机视觉

HyperNet是CVPR会议上的一篇亮点论文，改进了区域提议生成和联合目标检测，尤其擅长小物体检测。通过放大特征映射、跳跃层连接和超特征映射生成，减少了信息损失，提高了提案质量。尽管在生成提案阶段存在速度瓶颈，但提出的框架在Top 100提案中达到了97%的召回率，表现优秀。

本文是今年cvpr的一篇spotlight，也应该是目前为止faster rcnn所有变种中最好的一个。文章传送门：点击打开链接

和之前的RCNN以及之后的一些变种一样，本文也是region-based object detection framework。相比与faster rcnn，hypernet更擅长处理小物体，并且产生更高质量的proposal。

整体的框架见下图：

按照红框的依次介绍:

Network for Hyper Feature Extraction:

RCNN之后的framework在做小物体检测时有一个通病，就是物体的的信息会损失的非常厉害，比如原来32*32的物体，到最后一层feature map 只剩下了2*2，所以本文为了处理这个问题提出了两种方法，第一种，放大feature map，第二种，skip layer。按照标配输入1000*600的图最后的map size 会是62*37, 这样的话信息损失非常严重，所以作者想办法把最后的map放大到250*150，把第一层的map做一个max pooling，把最后一层的map做一个deconv，然后把1，3，5层的map LRN之后连在一起。LRN是必要的，因为不同层的feature resolution 不同，如果不做正则norm大的feature会压制住norm小的feature。

在产生hyper feature map