论文阅读-《Object Detection Networks on Convolutional Feature Maps》

本文探讨了深度区域分类器在目标检测精度中的关键作用,以及卷积层在提取区域特征方面的效果。实验表明,除了深层共享特征外,深度区域分类器对于提高检测准确率同样重要。通过在Fast/Faster R-CNN基础上增加ROI Pooling和卷积层,研究发现增加分类器的深度和优化设计可以显著减少定位错误,证实了前后端在网络中的平等地位。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

收录于IEEE Transactions on Pattern Analysis and Machine Intelligence 2015

1.Background&Motivation

  • 论文的背景是Fast/Faster R-CNN成为当时的检测精度最高的框架,同时Resnet刚发表不久,这个时候,基于回归模型的目标检测框架还没有发表。
  • 作者在论文一开始的时候提出了,基于region proposal的目标检测框架,随着前面的特征提取的网络的深度不断增加,整个目标检测系统的精度也在不断提高。但是人们并没有对后面的region-wise的分类器做太多的关注,fast/faster r-cnn用的分类器都是普通的多层感知器。
  • 所以本文的观点在于,后面的region-wise的分类器和前面的特征提取网络,对于提高检测精度一样重要。

2.Proposal

作者自己的观点可以总结为两点
1. a deep region-wise classifier is important for object detection accuracy , in addition to deep shared features
2. convolutional layers for extracting region-wise features are effective and are complementary to the effects for extracting full-image shared features

3.Experiments

基本的实验框架如下图所示
Noc_1
通过一个ROI Pooling将前面的feature extractor和后面的ob

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值