内容简介:前天,arxiv上新出一篇论文《Cascade R-CNN: High Quality Object Detection and Instance Segmentation》,目标检测算法Cascade R-CNN 原作者对其进行扩展应用于实例分割。
我爱计算机视觉 标星,更快获取CVML新技术
前天,arxiv上新出一篇论文《Cascade R-CNN: High Quality Object Detection and Instance Segmentation》,目标检测算法Cascade R-CNN 原作者对其进行扩展应用于实例分割。
两位作者均来自加州大学圣地亚哥分校,这可能是一篇投向TPAMI的论文。
在目标检测的实验中,借助于骨干网ResNeXt-152 的加持,在COCO数据集上AP达到50.9,超越之前的SOTA TridentNet算法的48.4,在实例分割实验中精度也显著高于Mask R-CNN。
Cascade R-CNN 是什么?
Cascade R-CNN 是2017年末出的目标检测算法,它的核心思想是:
使用不同的IOU阈值,训练多个级联的检测器。
它可以用于级联已有的检测器,取得更加精确的目标检测。
描述Cascade R-CNN算法的论文被CVPR 2018录用,该文一出,曾经相当长时间位于COCO检测数据集精度榜首(后被图森的TridentNet超越,这次又超了回来。。。)。
谷歌学术显示:
原论文已有111次引用。
作者开源了代码, 该算法曾经被 COCO 2018 instance segmentation challenge , OpenImage 2018 challenge , Wider Challenge 2018 的获胜团队使用(作者文中声称)。
Cascade R-CNN 网络结构
网络结构如下图b,
公式表示就是这样的:
上图中b和c很像,iterative bbox at inference 是在推断时候对回归框进行后处理,即生成了之后在多次处理,而Cascade R-CNN 在训练的时候就进行重新采样,不同的stage的输入数据分布已经是不同的了。
Cascade Mask R-CNN 网络结构
受Mask R-CNN发,作者将 Cascade R- CNN 推广到实例分割很简单,作者提供了三种策略,分别对应下图中b、c、d中将分割头S放在不同的位置。
实验结果
作者在通用目标检测、实例分割数据集COCO上进行了实验,换上骨干网ResNeXt-152的 Cascade R- CNN 又刷出了新高度!AP 达到50.9。如下图:
使用不同的检测器和骨干网,级联后都能获得大幅度的精度提升,如下图:
同时可见,级联后推断速度有少许变慢,但在可接受的范围内。
下图是将Cascade Mask R-CNN与基线版本比较的结果,在实例分割任务中,也取得了明显的精度提升。
在PASCAL VOC 2007 数据集上同样表现出,使用级联后均获得精度提升。
作者又在一些特殊目标类、不同数据集上做了实验。
下图为在KITTI车辆类的检测结果:
在CityPersons验证集分割的结果,和在WIderFace数据集上人脸检测结果:
均表明该算法能一致性的提高精度。
论文地址:
https://arxiv.org/abs/1906.09756v1
代码地址:
https://github.com/zhaoweicai/cascade-rcnn(Caffe版)
代码地址:
https://github.com/zhaoweicai/Detectron-Cascade-RCNN( Detectron 版)
目标检测专业交流群
关注最新最前沿的目标检测技术,欢迎加入52CV-目标检测专业交流群,扫码添加CV君拉你入群(如已为CV君好友,请直接私信, 不必重复添加 ),
( 请务必注明:目标检测 ):
喜欢在QQ交流的童鞋可以加52CV官方QQ群: 702781905 。
(不会时时在线,如果没能及时通过还请见谅)
长按关注 我爱计算机视觉
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持 码农网
猜你喜欢:- Tomcat 日志分割实例解析
- 图像分割概述 & ENet 实例
- 实例分割模型Mask R-CNN
- 单阶段实例分割(Single Shot Instance Segmentation)进展综述
- 谷歌简单粗暴 “复制-粘贴” 数据增广,刷新 COCO 目标检测与实例分割新高度
- 实例分割最新最全面综述:从 Mask R-CNN 到 BlendMask
本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。