OpenImage2019 目标检测与实例分割冠军方案
计算机视觉与模式识别
2020-03-18 v1
摘要
本文介绍了 OpenImage 2019 挑战赛中两个冠军团队的方案：检测赛道的 `MMfruit' 和分割赛道的 `MMfruitSeg'。众所周知，对于目标检测器，骨干网络末端共享特征并不适合分类和回归两者，这极大限制了单阶段检测器和基于 Faster RCNN \cite{ren2015faster} 的检测器的性能。在本次竞赛中，我们观察到即使使用共享特征，同一目标中不同位置对两项任务的表现也完全不同。\textit{例如，显著位置的特征通常利于分类，而目标边缘附近的特征利于回归。}受此启发，我们提出解耦头（DH）通过自学习的最优特征提取来解耦目标分类和回归，带来了大幅提升。此外，我们将 soft-NMS 算法调整为 adj-NMS 以获得稳定的性能提升。最后，提出了一种通过投票边界框位置和置信度的精心设计的集成策略。我们还将介绍几个带来微小提升的训练/推理策略和一系列技巧。鉴于这些大量细节，我们训练并聚合了 28 个具有不同骨干、头部和 3+2 专家模型的全局模型，并在公开和私有排行榜上均获得 OpenImage 2019 目标检测挑战赛第一名。鉴于如此好的实例边界框，我们进一步设计了一个简单的实例级语义分割流程，并在分割挑战赛中获得第一名。
引用
@article{arxiv.2003.07557,
title = {1st Place Solutions for OpenImage2019 -- Object Detection and Instance Segmentation},
author = {Yu Liu and Guanglu Song and Yuhang Zang and Yan Gao and Enze Xie and Junjie Yan and Chen Change Loy and Xiaogang Wang},
journal= {arXiv preprint arXiv:2003.07557},
year = {2020}
}