目标检测中尺度不变性分析与优化.pdfVIP

一种

目标检测中尺度不变性的分析

–SNIP

Bharat

Singh

Larry

S.

Davis

马

里兰大学，学院公园分校

{bharat,lsd}@cs.umd.edu

对在尺度变化下识别和检测对象的不同技术

进行了分析。通过训练具有不同输入数据配置的检测

器，比较了尺度特定和尺度不变设计。通过在

ImageNet上评估不同网络架构对小物体的分类性能，

我们证明了CNN对尺度变化并不鲁棒。基于此分析，

我们提出在图像金字塔的相同尺度上训练和测试检测

器。由于小物体和大物体分别在较小和较大尺度上难

图1。数据集中RoI的比例与RoI相对于图像尺度的关系。

以识别，我们提出了一种称为图像金字塔尺度归一化

（SNIP）的新训练方案，该方案根据图像尺度选择性

地反向不同尺寸目标实例的梯度。在COCO数据集(检测)分别为0.554和0.106。因此，COCO数据集中

上，我们单模型的性能为45.7%，3个网络的集成模型大多数物体实