【Paper Reading】Deep Neural Networks for Object Detection

最新推荐文章于 2020-11-13 19:28:44 发布

原创

最新推荐文章于 2020-11-13 19:28:44 发布 · 344 阅读

1 ·

CC 4.0 BY-SA版权

该论文探讨了如何利用深度神经网络（DNN）进行目标检测，将目标检测视为回归问题，通过预测对象边界框的二值mask来确定目标位置。论文提出了多mask策略以处理相邻对象的检测，通过不同尺度的细化处理提高定位精度。实验表明，这种方法能有效提升目标检测的准确性和鲁棒性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1. 摘要

利用DNN来做目标检测，因为现在的CNN等深度学习在识别上面做的还挺好，但是在目标检测（目标检测 = 目标识别 +目标定位）上面（CNN在目标检测中没有取得好成绩是本篇论文2013年发表时的情况），好像没有特别突出的结果。本文中作者把目标检测看做一个回归问题，回归目标窗口BoundingBox）的位置，寻找一张图片当中目标类别和目标出现的位置。

首先，作者制定了一个基于DNN的回归方法，它的输出是对象Bounding Boxes的二值masks；其次，利用一个简单的Bounding Boxes从这些masks中推理提取出检测对象；最后，在全图以及少数修剪后的大图上进行调整，从而提高定位的精度。下图是基于DNNs进行对象检测的原理图（Figure 1）以及微调步骤图（Figure 2）。
在这里插入图片描述

2. 主要内容

解决的问题：

论文的这个部分主要对三个具有挑战性的问题进行分析和解决。第一，模型输出的单个Object Mask无法有效地对相互靠近的歧义Objects进行对象检测；第二，由于模型输出大小的限制，所生成的Obinary Mask的尺寸相对于原始图片显得及其小，譬如： 400×400， d=24，那么每个输出对应到原始图片的单元大小大约为 16×16，故无法精确地对对象进行定位，而在原始图片更小的时候，难度将更大；第三，受输入是整张图片的影响，尺寸比较小的Objects对Input Neurons的影响很小，从而使得识别变得困难。如下是论文所作的分析和讨论。

Multiple Masks for Robust Local