ECCV 2020 Oral，利用边界特征做检测的BorderDet

“15分钟看顶会”是旷视研究院全新推出的论文快速解读专栏，聚焦旷视在全球各大顶会、期刊等平台所发表的工作，覆盖深度学习、计算机视觉、视觉导航与控制、计算摄影学、大规模机器学习系统、机器人学等方向。

与传统论文视频解读动辄30min时长不同，本专栏尽可能将时间控制在15分钟左右，以方便读者在日常通勤、等待、出行等时间受限的场景下高效利用碎片化时间进行学习、交流。

欢迎大家和我们一起“深度学习”，也欢迎对这种论文解读方式提出您的宝贵建议。

本期是“15分钟看顶会”专栏 ECCV 2020 论文解读系列的第四篇，旷视研究院提出一种简单、高效的操作“BorderAlign”方法来提取物体边界极限点的特征，并进一步提出一个全新的检测框架“BorderDet”，实现了强大的分类与精准定位效果。

本文已入选 ECCV 2020 Oral 论文。

• Oral 论文：
  BorderDet: Border Feature for Dense Object Detection

• 论文链接：
   https://arxiv.org/pdf/2007.11056.pdf

• 论文代码：
  https://github.com/Megvii-BaseDetection/BorderDet

• 关键词：物体检测、边界特征

物体检测领域，检测器一般会通过滑窗的方式来预测图像网格上的物体，并且还会使用网格中特征点的特征图来生成边界框的预测结果。其中的问题在于，虽然这些点的特征使用起来十分方便，但它们往往可能缺乏有用的边界信息，从而不利于进行精准地定位。因此，本文提出一个简单、高效的操作“BorderAlign”来提取物体边界极限点的特征。

基于BorderAlign，旷视研究院还设计了一个全新的检测框架“BorderDet”。它可以很好地利用边界信息，实现更强大的分类与更精准的定位效果。在ResNet-50 backbone下，模型只增加很少的时间开销，就可以在单阶段检测器FCOS上实现 2.8 AP的性能提升（38.6 v.s. 41.4）；在ResNeXt-101-DCN backbone下，本文提出的BorderDet获得50.3 AP，显著超越现有最佳方法。

另外，文字版解读同学们可以参见：

https://zhuanlan.zhihu.com/p/163044323

传送门 

实习简历请投递至：[email protected]

欢迎大家关注如下 旷视 官方微信号????