【ECCV2020-旷视】利用边界特征做检测的BorderDet

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。