Inside-OutsideNet

Inside-OutsideNet: DetectingObjectsinContextwithSkipPoolingand RecurrentNeuralNetworks

思路清楚，select search 方法提取候选框，然后提取不同层的信息，特别注意的是最后一层之前用RCNN提取上下文信息。

众所周知，语境和多尺度表征对于准确的视觉识别非常重要。本文介绍了一种利用感兴趣区域内外信息的内-外网(ION)。利用空间递归神经网络对感兴趣区域外的上下文信息进行集成。在内部，我们使用跳过池在多个级别和抽象级别提取信息。通过大量的实验，评估设计空间，并向读者提供一个概述，让他们知道哪些技巧是最重要的。
可靠地检测一个对象需要多种信息，包括对象的细粒度细节及其周围的上下文。目前最先进的检测方法[7,30]只使用目标感兴趣区域(ROI)附近的信息。这对可能检测到的对象的类型和精度造成了限制。
我们扩展了[8]的方法，包括两个额外的信息源。第一种方法使用多尺度表示[19]，它通过在ConvNet[35]中汇聚多个较低层卷积层来捕获细粒度的细节。这些跃层[34、23、24、12]跨越多个空间分辨率和levelsoffeatureabstract。信息对物体尤其重要，因为物体需要较低层次提供更高的空间分辨率。
我们的第二个补充是上下文信息的使用。众所周知，在人类和计算机视觉的研究中，语境在视觉识别中起着重要的作用[37,26,5]。为了收集上下文信息，我们探索了空间递归神经网络(RNNs)的使用。这些网络在横向和纵向上传递空间上不同的上下文信息。