SNIP是CVPR2018 oral,并获得了COCO2017 challenge的Best Student Entry。
作者发现在COCO数据集上的small object占总的object比例太小,远不如ImageNet的数据分布来得合理:
做了实验,指出惯用的train、test不同输入size的做法不合理,并实验发现当train和test保持输入图片同size是有助于涨点的:
作者在Image Pyramid的基础上加入了 每层scale 的 proposal有效生成范围,设计SNIP如下:
Note:
在Image Pyramid的基础上加入了 每层scale 的 proposal有效生成范围,发扬本scale的优势,回避其他scale的劣势。
COCO2017 challenge的Best Student Entry。
之前还想过:
和师兄讨论过后,我的观点被否定了:
[1] An Analysis of Scale Invariance in Object Detection - SNIP [2] CVPR18 Detection文章选介(下) [3] 目标检测论文阅读:An Analysis of Scale Invariance in Object Detection – SNIP [4] [CVPR2018笔记]An Analysis of Scale Invariance in Object Detection – SNIP [5] 目标检测中的尺度–An Analysis of Scale Invariance in Object Detection – SNIP [6] [CVPR2018] An Analysis of Scale Invariance in Object Detection – SNIP