计算机科学>计算机视觉和模式识别
职务: NL-FCOS:通过非局部目标检测模块改进FCOS
摘要: 在过去的几年中,我们看到了目标检测任务的显著进步,这主要是由于卷积神经网络的优异结果。 在这种情况下,基于主持人的模型取得了最好的结果。 然而,这些模型需要有关目标物体的方位和尺度的先验信息,需要更多的超参数来拟合。 此外,使用锚来适应边界框似乎与我们的视觉系统执行相同的视觉任务相去甚远。 相反,我们的视觉系统使用不同场景部分的交互来从语义上识别对象,称为感知分组。 一种更接近于自然模型的目标检测方法是无锚点检测,其中FCOS或Centernet等模型显示了竞争性结果,但这些模型尚未利用感知分组的概念。 因此,为了提高无锚模型的有效性,保持较低的推理时间,我们建议添加非局部注意(NL模块)模块来增强底层主干的特征映射。 NL模块实现了感知分组机制,允许接受域在视觉表征学习中合作。 我们证明了与FCOS头(NL-FCOS)相结合的非本地模块是实用且高效的。 因此,我们在服装检测和手写金额识别问题上建立了最先进的性能。