AABO：基于贝叶斯子采样的自适应锚框优化目标检测
计算机视觉与模式识别
2020-07-21 v1
摘要
大多数最先进的目标检测系统遵循基于锚框的框架。锚框在图像上密集提议，网络被训练以预测框的位置偏移以及分类置信度。现有系统预定义锚框形状和尺寸，并使用特设的启发式调整来定义锚框配置。然而，当采用新数据集或新模型时，这可能是次优甚至错误的。本文中，我们研究自动优化目标检测锚框的问题。我们首先证明锚框数量、锚框尺度与比例是可靠目标检测系统的关键因素。通过仔细分析特征层级上现有的边界框模式，我们设计了一个灵活且紧凑的锚框配置超参数空间。然后我们提出一种名为AABO的新颖超参数优化方法，以确定某数据集更合适的锚框，其中贝叶斯优化与子采样方法相结合以实现精确高效的锚框配置优化。实验证明了我们所提方法在不同检测器和数据集上的有效性，例如在COCO上实现约2.4% mAP提升、ADE上1.6%、VG上1.5%，且通过仅优化锚框配置，最优锚框可为SOTA检测器带来1.4%至2.4%的mAP提升，例如将Mask RCNN从40.3%提升至42.3%，HTC检测器从46.8%提升至48.2%。
引用
@article{arxiv.2007.09336,
title = {AABO: Adaptive Anchor Box Optimization for Object Detection via Bayesian Sub-sampling},
author = {Wenshuo Ma and Tingzhong Tian and Hang Xu and Yimin Huang and Zhenguo Li},
journal= {arXiv preprint arXiv:2007.09336},
year = {2020}
}
备注
Accepted by ECCV 2020 (spotlight)