摘要

基于区域的卷积神经网络（CNN）检测器，如Faster R-CNN或R-FCN，通过结合区域提议子网络和分类子网络，已经在目标检测方面展示了令人鼓舞的结果。尽管R-FCN在保持检测性能的同时实现了更高的检测速度，但位置敏感得分图忽略了全局结构信息。为了充分利用局部和全局特性，在本文中，我们提出了一种新颖的全卷积网络，命名为CoupleNet，用于将全局结构与局部部分耦合以进行目标检测。具体而言，由区域提议网络（RPN）获得的目标提议被输入到包含两个分支的耦合模块中。一个分支采用位置敏感的感兴趣区域池化（PSRoI Pooling）来捕捉目标的局部部分信息，而另一个分支则使用感兴趣区域池化（RoI Pooling）来编码全局和上下文信息。接下来，我们设计了不同的耦合策略和归一化方法，以充分利用全局分支和局部分支之间的互补优势。广泛的实验验证了我们方法的有效性。我们在三个具有挑战性的数据集上均取得了最先进的结果，即在VOC07上的平均精度均值（mAP）为82.7%，在VOC12上为80.4%，在COCO上为34.4%。代码将公开发布。