StuffNet是一种通过使用'stuff'（无固定形状的物体）进行语境增强，以改进目标检测的方法。论文提出在检测任务中结合分割任务，利用stuff的分割信息作为上下文辅助目标检测。尽管提升幅度不大，但这种方法在处理小物体检测时表现较好，且stuff的标签易于获取。 StuffNet使用VGG16作为特征提取器，通过多分支子网络分别处理不同任务，最终融合特征以服务于检测网络。训练过程中，首先在PASCAL VOC 2010上训练stuff分割网络，然后将其预测结果作为其他数据集的分割标签。尽管训练和框架相对复杂，但该方法直观且适用于背景区分。
StuffNet: Using ‘Stuff’ to Improve Object Detection, Arxiv 16.10
论文地址：https://arxiv.org/pdf/1610.05861v1.pdf
类似的论文：Contextual Priming and Feedback for Faster R-CNN, eccv16.
=====
好像现在都喜欢用multi-task的方式来提高detection的效果，有用属性（attr），关键点（landmark）等。
multi-task的方式的确可以相互提高各自的performance，但是这些multi-task往往是相关的才行，而且一个很大的问题就是，怎么获取到都有这些tasks的ground-truth的labels。
（好尴尬的样子）
而该论文的multi-tasks是detection和segmentation，其中segmentation来辅助detection。
看上去有点意思，尽管从论文的结果来看，提高的点不多（<2% mAP），在类似的论
最低0.47元/天 解锁文章
1214
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
