DRPN: Making CNN Dynamically Handle Scale Variation

要約

赤外線ターゲットの観測では、フレーム内におけるスケール変動が頻繁に発生している。本論文では、このようなスケール変動に対応し、小型ターゲットと大型ターゲットの検出精度のバランスをとるために、動的再パラメータ化ネットワーク(DRPN)を提案する。DRPNは、異なるサイズの畳み込みカーネルを持つ複数のブランチと、動的な畳み込み戦略を採用する。DRPNでは、異なるサイズの畳み込みカーネルを持つ複数のブランチにより、異なるサイズの受容野を実現します。ダイナミックコンボリューションは、DRPNが複数のブランチに適応的に重み付けを行う戦略である。DRPNは、ターゲットのスケール変化に応じて、受容野を動的に調整することができる。さらに、テスト段階での効果的な推論を維持するために、学習後に再パラメータ化技術により、複数ブランチ構造をさらに単一ブランチ構造に変換する。FLIR、KAIST、InfraPlaneの各データセットを用いた広範な実験により、提案するDRPNの有効性を実証する。その結果、SKNetやTridentNetではなく、提案するDRPNを基本構造として用いた検出器が最も優れた性能を示すことがわかった。

要約(オリジナル)

Based on our observations of infrared targets, serious scale variation along within sequence frames has high-frequently occurred. In this paper, we propose a dynamic re-parameterization network (DRPN) to deal with the scale variation and balance the detection precision between small targets and large targets in infrared datasets. DRPN adopts the multiple branches with different sizes of convolution kernels and the dynamic convolution strategy. Multiple branches with different sizes of convolution kernels have different sizes of receptive fields. Dynamic convolution strategy makes DRPN adaptively weight multiple branches. DRPN can dynamically adjust the receptive field according to the scale variation of the target. Besides, in order to maintain effective inference in the test phase, the multi-branch structure is further converted to a single-branch structure via the re-parameterization technique after training. Extensive experiments on FLIR, KAIST, and InfraPlane datasets demonstrate the effectiveness of our proposed DRPN. The experimental results show that detectors using the proposed DRPN as the basic structure rather than SKNet or TridentNet obtained the best performances.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL