摘要

视频中连续帧之间具有高度冗余性。因此，若在视频目标检测任务中对每一帧均独立运行单帧检测器而完全不复用任何信息，将造成极大的资源浪费。基于这一思想，我们提出了RN-VID（全称为RetinaNet-VIDeo），一种新颖的视频目标检测方法。本文的主要贡献有两点：第一，我们提出了一种新架构，能够有效利用邻近帧的信息以增强特征图；第二，我们设计了一种新颖的模块，通过通道重排（channel reordering）与1×1卷积操作，实现相同尺寸特征图的高效融合。实验结果表明，RN-VID在推理阶段仅引入极少额外开销的情况下，即可获得优于对应单帧检测器的平均精度均值（mAP）。