一种用于目标检测的双重加权标签分配方案
计算机视觉与模式识别
2022-03-21 v1
摘要
标签分配（LA）旨在为每个训练样本分配一个正（pos）损失权重和一个负（neg）损失权重，在目标检测中起着重要作用。现有 LA 方法多聚焦于正加权函数的设计，而负权重直接由正权重导出。这种机制限制了检测器的学习能力。在本文中，我们探索一种称为双重加权（DW）的新加权范式，分别指定正权重和负权重。我们首先通过分析目标检测中的评估指标，确定正/负权重的关键影响因素，并据此设计正、负加权函数。具体而言，样本的正权重由其分类得分与定位得分之间的一致性程度决定，而负权重分解为两项：其为负样本的概率，以及在其为负样本条件下的显著性。这种加权策略提供了更大灵活性以区分重要与不重要样本，从而带来更有效的目标检测器。搭载所提 DW 方法，单个 FCOS-ResNet-50 检测器在 1x schedule 下于 COCO 上可达到 41.5% mAP，优于其他现有 LA 方法。它在不同骨干网络下无需额外技巧即可大幅提升 COCO 上的基线。代码见 https://github.com/strongwolf/DW。
引用
@article{arxiv.2203.09730,
title = {A Dual Weighting Label Assignment Scheme for Object Detection},
author = {Shuai Li and Chenhang He and Ruihuang Li and Lei Zhang},
journal= {arXiv preprint arXiv:2203.09730},
year = {2022}
}
备注
Accepted by CVPR2022