کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6938717 1449964 2018 37 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Hierarchical objectness network for region proposal generation and object detection
ترجمه فارسی عنوان
شبکه ماهواره ای سلسله مراتبی برای تولید پیشنهاد منطقه و تشخیص شی
کلمات کلیدی
تشخیص شی، محلی سازی شی، تولید پیشنهادی منطقه، شبکه عصبی متقاطع،
ترجمه چکیده
روش های تولید جدید پیشنهاد منطقه نشان می دهد تقاطع کوچک اتحادیه با جعبه های زمین واقعی است. از آنجا که آنها به سادگی با استفاده از خروجی تک لایه شبکه های عصبی کانولوشن، مختصات جعبه های محدود را رگرسیون می کنند. در این مقاله یک شبکه ماهواره سلسله مراتبی برای تولید پیشنهاد منطقه و شناسایی شیء برای پاسخ دادن به مشکل محلی سازی نادرست ارائه شده است. به جای رگرسیون مختصات، ما با استفاده از پیش بینی جسم خطی، به صورت دقیق، اشیا را محلی سازی می کنیم، به عنوان مثال، یک گروه از احتمالات که منعکس کننده وجود شی در هر مکان پیشنهاد نامزد می شود. علاوه بر این، ویژگی های سلسله مراتبی را با استفاده از معکوس اتصال چند لایه کانولولوژیکی به منظور شناسایی اشیاء با تغییرات در مقیاس بزرگ ایجاد می کنیم. نتایج تجربی ما نشان می دهد که روش ما از لحاظ یادآوری بهتر از روش های تولید پیشنهادی منطقه است. علاوه بر این، با یکپارچه سازی با چارچوب های پیشرفته تشخیص شی، روش ما به نتایج برتر تشخیص ابعاد دست می یابد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر چشم انداز کامپیوتر و تشخیص الگو
چکیده انگلیسی
Recent region proposal generation methods show a low Intersection-of-Union with the ground-truth boxes. Because they simply regress the coordinates of the bounding boxes by exploiting the single-layer output of convolutional neural networks. This paper proposes a hierarchical objectness network for region proposal generation and object detection to address the inaccurate localization problem. Instead of regressing the coordinates, we subtly localize the objects by predicting the stripe objectness, i.e., a group of probabilities reflecting the existence of the object in each location of the candidate proposal. Additionally, we construct the hierarchical features by reversely connecting multiple convolutional layers to detect objects with large-scale variations. Our experimental results demonstrate that our method performs better than the state-of-the-art region proposal generation methods in terms of recall. Moreover, by integrating with advanced object detection frameworks, our method achieves superior object detection results.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Pattern Recognition - Volume 83, November 2018, Pages 260-272
نویسندگان
, , , , ,