GBD-Net
明天考試今天簡單理解理解吧
演算法背景
物體檢測中，不同大小和解析度的多個proposal的特征細節在進行分類的時候是互補的，來自這些proposal的背景關系特征的整合是目標檢測中的基本問題，在本文中，作者提出了一種門控雙向神經網路（GBD網路），用于在特征學習和特征提取的程序中在來自不同proposal的特征之間傳遞資訊，這種資訊傳遞可以通過兩個方向上相鄰的proposal之間的卷積來實作，并且可以在不同層之中進行，
演算法原理
在不同解析度的proposal之間根據不同的影像實體來控制傳遞資訊是非常必要的，藍色框代表GT，紅色框是候選框，由于（a）中相似的區域特征和（b）中對遮擋區域的忽略，很難對proposal進行分類，
作者的思路就是來自不同解析度和proposal的特征驗證彼此的存在，例如兔子耳朵在區域區域的存在有助于加強兔子頭的存在，而兔子上半身在更大的context區域存在也有助于驗證兔子頭的存在，因此作者建議具有不同解析度和proposal的特征應該在多個層中互相傳遞資訊，以便于在特征學習和特征提取程序中共同驗證，
網路結構
GBD-Net采集Context資訊的方式是直接在目標視窗基礎上放大視窗以獲得更多的context資訊，或縮小視窗以保留更多的目標細節，以此得到多個support region，雙向連接的網路讓不同尺度和解析度的資訊在每個support region之間相互傳遞，從而綜合學習到最優的特征，然而如研究動機中所說，并非所有的背景關系資訊都能給決策帶來“正能量”，所以在雙向互通的連接上都加了一個“門”，以此控制context資訊的相互傳播，
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/245289.html
標籤：其他