Dissertação
Improving Object Detection Through Contextual Rescoring EVALUATED
Detectores de objectos actuais baseiam-se numa abordagem de dois passos: primeiro, identificar regiões na imagem que contenham objectos, e depois, prever a classe de objecto dentro das regiões. As previsões de classe são feitas independentemente para cada região, não utilizando informação contextual, que pode ser inferida pela presença de outros objectos. A partilha de informação entre detecções claramente contribui para melhorar os resultados no problema de reconhecimento, dado que existem fortes dependências entre co-ocorrências de objectos na mesma imagem (ex. é improvável encontrar um sofá e um cavalo na mesma imagem). Neste trabalho, abordamos o problema da utilização do contexto na detecção de objectos. Fazemos uma análise dos principais erros feitos pelos detectores actuais e que fontes de contexto podem ser usadas para mitigar esses erros. Para incorporar informação relativa a co-ocorrências, propomos um modelo que utiliza redes neuronais recorrentes bidireccionais com mecanismo de atenção treinadas para reavaliar o conjunto de detecções produzidas por uma arquitectura de detecção existente. Propomos um objectivo de treino como sendo o conjunto de confianças reavaliadas que maximiza a Average Precision para o conjunto de detecções em causa. Resultados experimentais no MS COCO dataset demonstram que o modelo proposto obtém melhorias consistentes na Average Precision na ordem de 0.5 a 1, utilizando diferentes detectores (Cascade R-CNN e Faster R-CNN) e diferentes backbones convolucionais (ResNet-50 e ResNet-101).
novembro 27, 2019, 17:30
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Departamento de Engenharia Electrotécnica e de Computadores (DEEC)
Professor Associado