Zoom-Out- und In-Netzwerk mit rekursivem Training zur Erzeugung von Objektvorschlägen

In diesem Papier schlagen wir ein Zoom-Out- und In-Netzwerk zur Erzeugung von Objektvorschlägen vor. Wir nutzen verschiedene Auflösungen von Merkmalskarten im Netzwerk, um Objektinstanzen verschiedener Größen zu erkennen. Speziell teilen wir die Ankerkandidaten in drei Cluster basierend auf der Skalengröße und platzieren sie auf Merkmalskarten mit unterschiedlichen Schrittweiten, um kleine, mittelgroße und große Objekte zu erkennen. Tiefere Merkmalskarten enthalten regionale Semantik, die flachen Gegenstücken helfen kann, kleine Objekte zu identifizieren. Daher entwerfen wir ein Zoom-In-Subnetzwerk, um die Auflösung der hochrangigen Merkmale durch eine Dekonvolutionsoperation zu erhöhen. Die hochgradigen Merkmale mit hoher Auflösung werden dann kombiniert und mit niederrangigen Merkmalen zusammengeführt, um Objekte zu erkennen. Darüber hinaus entwickeln wir eine rekursive Trainingspipeline, um in der Trainingsphase nacheinander Regionenvorschläge zu regressieren, um der iterativen Regression in der Testphase zu entsprechen. Wir demonstrieren die Wirksamkeit der vorgeschlagenen Methode an den ILSVRC DET- und MS COCO-Datensätzen, wo unser Algorithmus in verschiedenen Bewertungsmetriken besser abschneidet als die aktuellen Ansätze. Außerdem steigert es die durchschnittliche Genauigkeit um etwa 2 % im Erkennungssystem.