Relation Networks for Object Detection

最新推荐文章于 2019-10-26 21:00:07 发布

曉_寧

最新推荐文章于 2019-10-26 21:00:07 发布

阅读量472

点赞数

分类专栏：卷积神经网络

本文链接：https://blog.csdn.net/wweiainn/article/details/84332906

版权

论文链接：https://arxiv.org/abs/1711.11575

代码链接：https://github.com/msracver/Relation-Networks-for-Object-Detection

源代码讲解：https://blog.csdn.net/u014380165/article/details/80779712

在介绍这篇论文之前首先介绍一下边框回归（https://blog.csdn.net/zijin0802034/article/details/77685438/）这里有个小问题在 $Loss = \sum_i^N(t_*^i - \hat w_*^T\phi_5(P^i))^2$ 中的 $t_{*}$ 指的是ground truth 并不是之前解释的 $t_{x} t_{y} t_{w} t _{h}$ ,这四个值是公式中的w。

这个是CVPR 2018的文章，虽然并没有什么巧妙的设计，但是思路很有趣，那就是引入了object的关联信息，在神经网络中对object的relations进行建模。

在之前使用cnn进行目标检测的方法中，都是每个对象被单独识别（rcnn ，fast rcnn faster rcnn），而这一篇对一组对象同时做了Relation Moudle 处理，即一个对象上融合了其他对象的关系特征。好处在于丰富了特征，而且在Relation Moudle 处理后唯独不会发生变化。

主要贡献点有两条：

.提出了一种relation module，可以在以往常见的物体特征中融合进物体之间的关联性信息，同时不改变特征的维数，能很好地嵌进目前各种检测框架，提高性能
在1的基础上，提出了一种特别的代替NMS的去重模块，可以避免NMS需要手动设置参数的问题

1. Background
假设现在有一个显示屏幕，问这是电脑显示屏还是电视屏幕，该怎么判断？如果单纯把屏幕取出来，确实很难回答这个问题，但是如果结合周围的东西，就很好解决了……比如，放在客厅环境、旁边有茶几的是电视，而旁边有键盘和鼠标的是电脑显示屏；又或者，宽度有沙发那么大的是电视，而只比一般座椅稍大一点的是电脑屏……
总之，周边其他物体的信息很可能对某个物体的分类定位有着帮助作用，这个作用在目前的使用RoI的网络中是体现不出来的，因为在第二阶段往往就把感兴趣的区域取出来单独进行分类定位了。这篇文章作

最低0.47元/天解锁文章

曉_寧

关注

0
点赞
踩
8

收藏

觉得还不错? 一键收藏
0
评论
Relation Networks for Object Detection

论文链接：https://arxiv.org/abs/1711.11575 代码链接：https://github.com/msracver/Relation-Networks-for-Object-Detection源代码讲解：https://blog.csdn.net/u014380165/article/details/80779712在介绍这篇论文之前首先介绍一下边框回归（ht...
复制链接

扫一扫