R-CNN减去R：利用CNN自身几何信息进行目标检测.pdfVIP

R‑CNN减去R

卡雷尔・伦茨牛津大学工程科学系，牛津，英国。

安德烈・利

深度卷积神经网络（CNN）在图像理解的大多数领域产生了重大影响。然

而，在对象类别检测中，最佳结果是由结合了图像分割线索的技术（如

R(egion)‑CNN）获得的，这些技术使用选择性搜索等方法来提出图像中的可能

对象位置。然而，分割在CNN检测器中的作用仍存在争议。一方面，分割可能

是必要的建模组件，携带不在CNN中的重要几何信息；另一方面，它可能只是

加速检测的式，通过将CNN分类器集中在有希望的图像区域上。在本文

中，我们通过开发一种使用简单区域生成方案的检测器来回答这个问题，该方案

对每张图像都是恒定的。虽然这样的区域提议对对象的近似效果较差，但我们展

示了使用中间卷积特征的边界框回归器可以恢复足够准确的边界框，证明了所需

的几何信息确实包含在CNN本身中。结合卷积特征池化，我们还获得了一个优

秀且快速的检测器，不需要使用除CNN之外的其他算法处理图像。我们还通过

将多个学习步骤整合到一个算法中，并提出一些加速检测的改进措施，简化和优

化了基