Exploit All the Layers: Fast and Accurate CNN Object Detector with Scale Dependent Pooling and Casca

女生的网名这么多〃 提交于 2020-02-14 07:34:03

参考:https://blog.csdn.net/bea_tree/article/details/51880175

 

Abstract

本文的两个创新点:

(1)SDP:scale-dependent pooling,根据candinate object proposals的尺度,去不同的特征层上来提取特征。类似SSD

(2)CRC:cascaded rejection classifers 级联的负样本排除分类器。使用卷积特征来判定其为负样本

 

1. Introduction

(1)Fast RCNN对小目标不友好,因为直接对最后一层做池化,最后一层对于小目标可能包含的信息较少

(2)因为小目标在浅层产生较强的相应,大目标在高层产生较强的相应,所以创造SDP,根据candinate proposal region的尺度,从不同的卷积层中提取特征。(这是SSD的前身)。把特征送到多个尺度相关的目标分类器中

(3)CSP:

通过卷积层级联得到的级联分类器,前面的层是弱分类器。前几层得到的特征语义信息不强,难以判断是哪个类别,但是却可以用来排除简单的样本。这样我们就使用了全部层的卷积特征

3.Method

(1)SDP

根据ROIs的尺度,去不同的层上提取特征

 

4.Cascaded Rejection Classifliers 相当于硬采样,类比Faster RCNN的rpn,只挑选前面N个得分高的样本

(1)Fast RCNN的主要计算瓶颈之一是对每个ROIs都要用多个fc layer进行计算。上千个ROIs就会产生大量的计算。

5.结果

CRC的效果:

(1)在保持较高的Recall时,有效的较少了候选样本的个数,从而减少后续计算量。

但是,我感觉经过CRC后Recall太低。

(2)

易学教程内所有资源均来自网络或用户发布的内容,如有违反法律规定的内容欢迎反馈
该文章没有解决你所遇到的问题?点击提问,说说你的问题,让更多的人一起探讨吧!