基于领域注意的通用目标检测
深度学习
最后更新 2020-06-15 11:24 阅读 8481
最后更新 2020-06-15 11:24
阅读 8481
深度学习
Towards Universal Object Detection by Domain Attention
研发现状
•Two stages:R-CNN,Fast R-CNN,Faster R-CNN
•Single stage:YOLO,SSD
•只针对特定的 domain(traffic,humanfaces,natural等)
算法研发目标
•一个模型处理多个domain(不同条件下的数据)
核心思想和贡献
•Domain Attention
•Squeeze and Excitation
Single-domain Detector V.S.Multi-domain Detector
SE Adapter
Universal V.S. Domain-attentiveUniversal
Domain-attentive UniversalDetector(SE Adapter anddomain)
实验条件
•PyTorch
•Faster R-CNN with the SE-ResNet50/ResNet50
•Learning rate of 0.01 for 10 epochs and 0.001 for another 2 epochs on 8 synchronized GPUs, each holding 2 images per iteration.
算法综合分析
•优点
•一个 detector 处理不同分布的数据(应该是目前第一个这样考虑的)
•Universal detector 参数较少(共享参数)
•SE 和 DA 处理 Domain Shift
•缺点
•SE Adapter 和 Domain Attention 就是通道之间加权堆叠,比较常见