目标检测 论文推荐

重磅干货，第一时间送达

目标检测（Object Detection）

目标检测（object detection）就是在给定的图片中精确找到物体所在位置，并标注出物体的类别。Object detection要解决的问题就是物体在哪里（where），是什么（wha）这整个流程的问题。然而，这个问题可不是那么容易解决的，物体的尺寸变化范围很大，摆放物体的角度，姿态不定，而且可以出现在图片的任何地方，更何况物体还可以是多个类别。

本文简单介绍两篇很新的关于应用深度学习技术的目标检测论文给大家~希望有助于你进一步学习。

《Single-Shot Refinement Neural Network for Object Detection》

CVPR 2018

Architecture of RefineDet

Detection results on PASCAL VOC dataset

Abstract：对于目标检测，两阶段方法（例如，更快的R-CNN）已经实现了最高精度，而一阶段方法（例如，SSD）具有高效率的优点。为了继承两者的优点，同时克服它们的缺点，在本文中，我们提出了一种新的基于single-shot的检测器，称为RefineDet，它比两阶段方法获得更好的精度，并保持一阶段方法的检测效率。 RefineDet由两个相互连接的模块组成，即 anchor refinement 模块和目标检测模块。具体地，前者旨在（1）过滤掉negative anchor以减少分类器的搜索空间，以及（2）粗略地调整anchor的位置和大小以为随后的回归器提供更好的初始化。后一模块将精细anchor作为前者的输入，以进一步改进回归并预测多类别标签。同时，我们设计了一个传输连接块来传输锚点细化模块中的特征，以预测对象检测模块中对象的位置，大小和类别标签。多任务丢失功能使我们能够以端到端的方式训练整个网络。 PASCAL VOC 2007，PASCAL VOC 2012和MS COCO的大量实验证明，RefineDet可以高效地实现最先进的检测精度。

arXiv：https://arxiv.org/abs/1711.06897

github：https://github.com/sfzhang15/RefineDet

《Single-Shot Object Detection with Enriched Semantics》

CVPR 2018

Pipeline for DES

Segmentation branch

Abstract：我们提出了一种新颖的 single-shot 目标检测网络，名为“Detection with Enriched Semantics”（DES）。我们的动机是通过语义分割分支和全局激活模块来丰富典型深度检测器内目标检测特征的语义。分割分支由弱分割ground-truth监督，即，不需要额外的注释。与此同时，我们采用全局激活模块，以自我监督的方式学习通道和对象类之间的关系。PASCAL VOC和MS COCO检测数据集的综合实验结果证明了该方法的有效性。特别是，使用基于VGG16的DES，我们在VOC2007测试中实现了81.7的mAP，在COCO测试开发上实现了32.8的mAP，在Titan Xp GPU上每个图像的推断速度为31.5毫秒。 使用较低分辨率的版本，我们在VOC2007上实现了79.7的mAP，每张图像的推断速度为13.0毫秒。

arXiv：https://arxiv.org/abs/1712.00433