摘要

提出了一种统一的深度神经网络——多尺度卷积神经网络（Multi-Scale CNN, MS-CNN），用于实现快速的多尺度目标检测。MS-CNN由一个候选区域生成子网络和一个检测子网络组成。在候选区域生成子网络中，检测在多个输出层上进行，使得感受野能够匹配不同尺度的目标。这些互补的、针对特定尺度的检测器被整合，从而构建出一个强大的多尺度目标检测器。整个统一网络通过优化多任务损失函数，实现端到端的训练。此外，还探索了采用反卷积进行特征上采样，作为输入上采样的替代方案，以降低内存占用和计算成本。在包含大量小目标的数据集（如KITTI和Caltech）上，该方法实现了达到每秒15帧（15 fps）的当前最优目标检测性能。