[计算机视觉论文速递] ECCV 2018 专场10
OK！计算机视觉论文速递系列正式重启，CVer将两/三天更新一次速递推文，如果时间充足，会做到每日一更。
Amusi回来了！
Amusi 将日常整理的论文都会同步发布到 daily-paper-computer-vision 上。名字有点露骨，还请见谅。喜欢的童鞋，欢迎star、fork和pull。
ECCV 2018是计算机视觉领域中的顶级会议，目前已经公开了部分已录用的paper。CVer 已经推送了9篇 ECCV 2018论文速递推文：
Object Detection
本文介绍两篇Amusi很喜欢的目标检测论文，下面会推出这两篇论文的精读解析，敬请期待！
《DetNet: A Backbone network for Object Detection》
ECCV 2018
摘要：最近的基于CNN的物体探测器，无论是像YOLO，SSD和RetinaNet这样的one-stage方法，还是像Faster R-CNN，R-FCN和FPN这样的two-stage探测器，都经常试图直接从ImageNet预先训练好的图像模型中进行微调分类。关于专门为物体检测设计的 backbone 特征提取器的讨论很少。更重要的是，图像分类和对象检测的任务之间存在若干差异。(1)最近的物体探测器如FPN和RetinaNet通常涉及额外的阶段，以防止图像分类的任务处理各种尺度的物体。 (2)目标检测不仅需要识别对象实例的类别，还需要在空间上定位位置。较大的下采样因子带来了较大的有效感受野，有利于图像分类，但会损害对象定位能力。由于图像分类和物体检测之间存在差距，本文提出了DetNet，这是一种专门用于物体检测的新型 backbone 网络。此外，DetNet还包括针对传统backbone网络的额外阶段，用于图像分类，同时在更深层中保持高空间分辨率。在没有任何其它tricks的情况下，基于我们的DetNet~（4.8G FLOP）backbone，在MSCOCO基准测试中获得了目标检测和实例分割的最优结果。
arXiv：https://arxiv.org/abs/1804.06215
注：源码还未放出
《Acquisition of Localization Confidence for Accurate Object Detection》
ECCV 2018
IoU-Net architecture
Illustration of RoI Pooling, RoI Align and PrRoI Pooling
摘要：现代的基于CNN的物体检测器依靠边界框回归和非最大抑制(NMS)来定位对象。 虽然类标签的概率自然反映了分类置信度(classification confidence)，但缺乏定位置信度(localization confidence)。 这使得正确定位的边界框在迭代回归期间 degenerate 或甚至在NMS期间被抑制。 在本文中，我们提出了IoU-Net学习来预测每个检测到的边界框与匹配的ground truth 之间的IoU。 网络获得了定位置信度，通过保留精确的定位边界框来改进NMS。 此外，提出了一种基于优化的边界框细化方法，其中将预测的IoU表示为目标。 MS-COCO数据集上的大量实验表明了IoU-Net的有效性，以及它与几种最先进的物体探测器的兼容性和适应性。
arXiv：https://arxiv.org/abs/1807.11590
注：源码还未放出