一种基于生成对抗架构的目标检测增强算法

作     者：张昀 黄橙 施健 张玉瑶 黄经纬 于舒娟 黄丽亚 ZHANG Yun;HUANG Cheng;SHI Jian;ZHANG Yu-Yao;HUANG Jing-Wei;YU Shu-Juan;HUANG Li-Ya

作者机构：南京邮电大学电子与光学工程学院、柔性电子(未来技术)学院南京210000 

出 版 物：《计算机学报》 (Chinese Journal of Computers)

年 卷 期：2024年第47卷第3期

页      面：647-661页

核心收录：

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金(61977039)资助 

主　　题：计算机视觉 目标检测 生成对抗训练 特征提取 分类预测 

摘      要：目标检测网络的性能往往受制于特征提取网络的深度,而网络参数的大量增加只能带来检测系统性能的少量提升,同时需要引进许多额外的网络细节设计,这些都会导致训练难度的增加.本文提出了一种基于生成对抗训练的目标检测方法,它以减少特征分布的EM距离(Wasserstein距离)为训练目标.具体来说,我们将检测网络从整个架构中提取出来,并对特征提取网络进行深入的对抗性训练.实验证明,本文提出的架构进一步提高了网络的特征提取能力,并且没有导致参数的增加.在MS COCO 2017数据集上,本文的架构将基于ResNet101的CenterNet网络性能从36.1%mAP提高到37.2%mAP,将基于Hourglass-104的mAP从42.2%提高到43.0%.