CoupleNet:Coupling Global Structure with Local Parts for Object ...

CoupleNet：Coupling Global Structure with Local Parts for Object Detection CoupleNet是一种新的目标检测算法，旨在解决现有的目标检测算法忽略图像的整体结构的问题。该算法通过结合全局结构和局部部分的信息，提高检测精度。 CoupleNet的主要贡献在于： 1. 提出了CoupleNet网络，该网络将全局与局部连接用来目标检测。 2. 设计了不同的连接策略和正则化方法，以充分使用在全局和局部分支的互补优势。 CoupleNet网络的结构： CoupleNet网络由两个分支组成：局部FCN和全局FCN。局部FCN用来学习特定目标部分，而全局FCN对目标的整个表面结构和上下文先验进行编码。 CoupleNet网络的工作流程： 1. 首先使用ResNet101初始化网络。 2. 检测任务时移除最后的平均池化层和fc层。 3. 输入图片，使用RPN提取候选提案，且用CoupleNet共享卷积特征。 4. 每个提案分为两个分支：局部FCN和全局FCN。 5. 全局和局部的FCN的输出连接在一起作为最后的目标得分。 CoupleNet网络的局部FCN： 局部FCN的目的是为了捕获目标的局部信息。为了有效的捕获特定目标部分，本文使用的方法是： 1. 添加1*1卷积层通道数为k^2(C+1)，构建一组部分敏感分数映射。 2. 每个类的做法：总共有k平方的通道，每个通道的主要责任是编码目标的特定部分。 3. 类分数是通过选举k平方的反应来决定。 CoupleNet网络的全局FCN： 全局FCN的目的是为了学习目标的整体结构信息。步骤如下： 1. 在ResNet101卷积的最后一块添加1024维1*1卷积层来降维。 2. 使用RoI池化层来提取固定长度的特征向量作为目标的全局结构说明。 3. 使用两个卷积层卷积核分别为k*k和1*1，进一步抽象RoI的全局表示。 CoupleNet网络的连接结构： 为了匹配相同的数量级，在局部和全局的FCN结合在一起之前，本文将正则化操作利用在局部和全局的FCN的输出。本文实现正则化的两种不同方法： 1. L2的正则化层模型尺寸。 2. 1*1卷积层模拟尺寸。 实验结果表明：使用1*1卷积与元素和一起实现最好的性能。