PETDet: 通过增强候选目标来提升二阶段细粒度目标检测的能力

文章预览

前言   带有ResNet-50-FPN的PETDet在FAIR1M-v2.0上的AP达到了48.81%，大幅超越了强大的基线Oriented R-CNN，提升了4.91%。 Pytorch训练营，花两个星期彻底掌握代码实现 CV各大方向专栏与各个部署框架最全教程整理 CV全栈指导班、基础入门班、论文指导班 全面上线!! 来源： AI公园 仅用于学术分享，若侵权请联系删除 摘要 细粒度目标检测（Fine-grained Object Detection, FGOD）在传统目标检测的基础上增加了细粒度识别的能力。在最近的两阶段FGOD方法中，区域提议（region proposal）作为连接检测与细粒度识别的关键环节。然而，现有方法忽视了一些从一般检测继承来的与提议相关的步骤并不完全适用于FGOD，这限制了从生成、表示到利用的多任务学习效果。在本文中，我们提出了PETDet（用于两阶段细粒度目标检测的提议增强），以更好地处理两阶段FGOD方法中的子任务。首先 ………………………………