目标检测“A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection”
如何训练一个目标检测器，对遮挡和形变鲁棒，目前的主要方法是增加不同情况的图像数据，但这些数据有时又特别少。作者提出使用对抗生成有遮挡或形变的样本，这些样本对检测器来说比较困难，使用这些困难的正样本训练可以增加检测器的鲁棒性。与Fast-RCNN比较，在VOC2007上，mAP增加了2.3%，VOC2012上增加了2.6%。
不同遮挡或形变的物体如下图所示：
Fast-RCNN检测器损失函数有两项，softmax对类别的损失和回归对bbox的损失。对抗网络主要学习导致检测器检测失败的特征，损失函数为：
LA=−Lsoftmax(Fc(A(X)),C)L_A=-L_{softmax}(F_c(A(X)),C)
若对抗网络生成的特征对检测器来说易识别，则对抗网络的损失比较大，反之较低。
对抗网络设计
使用对抗网络生成有遮挡和有形变的两种特征，两种网络为ASDN和ASTN。
ASDN
FAST-RCNN中RoI-池化层之后的每个目标proposal卷积特征作为对抗网络的输入，给定一个目标的特征，ASDN尝试生成特征某些部分被dropout的掩码，导致检测器无法识别该物体。
ASDN网络初始化
给定尺寸大小为d×dd\times d的特征图X，使用d3×d3\frac {d}{3} \times \frac {d}{3}的滑动窗，并将滑动窗位置映射到原图，将原图对应位置清零，生成新的特征向量，传入到分类层计算损失，选择具有最大损失的滑动窗，用这个窗口生成二值掩码M(滑动窗位置为1，其余位置为0)，用n个目标proposal生成n对对抗网络的训练样本（x1,M1）,...,(xn,Mn){（x^1,M^1）,...,(x^n,M^n)} ，使用二值交叉熵损失训练ASDN:
经过学习，网络可以学习到特征的哪些部分对分类来说比较重要，如下图所示：
联合训练
在前向传播过程中，首先使用ASDN在RoI-池化层之后生成特征掩码，然后使用重要性采样法生成二值掩码，使用该掩码将特征对应部位值清零，修改后的特征继续前向传播计算损失。这个过程生成了困难的特征，用于训练检测器。训练过程流程图如下所示：
ASTN
1.STN回顾
STN网络包含三部分：定位网络，网格生成器，采样器。定位网络估计出形变的参数（旋转角度、平移距离和缩放因子）。这三个参数作为后两部分的输入，输出是形变后的特征图。论文主要学习定位网络的三个参数。
2.ASTN
主要关注特征旋转，定位网络包含三层全连接层，前两层是ImageNet预训练的fc6和fc7，训练过程与ASDN类似，ASTN对特征进行形变，是的ASTN将正样本识别成负样本。将特征图划分为4个block，每个block估计四个方向的旋转，增加了任务的复杂度。
两种对抗网络可以相结合，使得检测器更鲁棒，RoI-池化层提取的特征首先传入ASDN丢弃一些激活，之后使用ASTN对特征进行形变，如下图所示：
实验结果
使用了对抗网络，每一类检测和分类的影响：
目标检测“A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection”相关推荐
- 对抗学习用于目标检测--A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection
A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection CVPR 2017 Caffe code : http ...
- 论文翻译与理解：Hard Positive Generation via Adversary for Object Detection
Hard Positive Generation via Adversary for Object Detection 最近做项目,在看一些数据增强的论文,欢迎感兴趣的同学多多留言交流. 摘要 我们如 ...
- A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection
这篇论文作者在Fast RCNN的基础上,运用对抗生成网络GAN的思想,加入了两个对抗网络来加强Fast RCNN算法的鲁棒性,下面的内容是这篇文章的翻译,我已经修改过大部分的内容使得读起来比较通顺, ...
- [深度学习论文笔记][CVPR 17 oral]A-Fast-RCNN： Hard Positive Generation via Adversary for Object Detection
[CVPR 17 oral]A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection Xiaolong Wang ...
- CVPR17论文有感：A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection
A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection 还是那个老故事,即如何解决Deep检测跟踪器训练时正样 ...
- A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection 笔记
这篇paper主要是针对训练数据时,遮蔽和形变物体的数据集不一定很全面提出的,于是,想到可以用生成网络生成这种数据来进行训练.但是这种数据生成又是很困难的,作者就想到跳过生成数据,直接在Feature ...
- A-Fast-RCNN:Hard Positive Generation via Adversary for Object Detection
一 摘要 这些近年来的建立在从ImageNet分类的任务中成功学到的强大的深层特征,因此,物体检测领域取得了显著地进步.最近的研究集中在物体检测系统主要有三个方向. 第一个方向依赖于改变这些网络的基础 ...
- 详解两阶段3D目标检测网络 Voxel R-CNN：Towards High Performance Voxel-based 3D Object Detection
本文介绍一篇两阶段的3D目标检测网络:Voxel R-CNN,论文已收录于AAAI 2021. 这里重点是理解本文提出的 Voxel RoI pooling. 论文链接为:https://arxiv. ...
- [论文笔记]A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection
paper 一.论文思想 训练一个目标检测器,对遮挡和形变鲁棒,目前的主要方法是增加不同场景下的图像数据,但这些数据有时又特别少.作者提出使用对抗生成有遮挡或形变的样本,这些样本对检测器来说识别比较困 ...
最新文章
- Emm，qW3xT.2（矿机进程）
- c语言静态存储和动态存储,C语言中的静态内存与动态内存
- wxWidgets：wxChildFocusEvent类用法
- idea解决maven全局配置
- 《搜索算法——DFS、BFS、回溯》
- 【转】刨根究底字符编码之一——关键术语解释(上)
- Python--进程、线程、协程对比
- node.js——麻将算法（三）胡牌相关明牌
- Sublime Text3插件管理
- 解决nacos不停刷日志 ClientWorker get changedGroupKeys:[] 问题
- python 学生成绩统计
- 周爱民：详解架构的核心原则
- 微信公众号12大互动技巧
- 计算机信息技术基础 第2版,计算机与信息技术基础（第2版）
- java:定义USB接口
- 使用React Hooks 时要避免的5个错误！
- 你会让你的孩子学“人工智能未来世界”的什么专业？
- linux平台Android studio安装步骤
- 鸿蒙之始写完了吗,【精选】重阳节作文合集六篇
- yaf mysql_yaf集成medoo数据库操作