AutoAssign：面向密集目标检测的可微分标签分配
计算机视觉与模式识别
2020-11-26 v3
摘要
确定目标检测的正/负样本被称为标签分配。本文提出一种名为AutoAssign的无锚框检测器。它几乎不需要人工知识，并通过全可微加权机制实现外观感知。在训练中，为同时满足数据的先验分布并适应类别特征，我们提出中心加权(Center Weighting)以调整类别特定的先验分布。为适应目标外观，提出置信度加权(Confidence Weighting)以调整每个实例的特定分配策略。这两个加权模块随后结合生成正负权重，以调整每个位置的置信度。在MS COCO上的大量实验表明，我们的方法以不同骨干网络稳定大幅超越其他最佳采样策略。此外，我们的最佳模型达到52.1% AP，优于所有现有单阶段检测器。此外，在PASCAL VOC、Objects365和WiderFace等其他数据集上的实验证明了AutoAssign的广泛适用性。
引用
@article{arxiv.2007.03496,
title = {AutoAssign: Differentiable Label Assignment for Dense Object Detection},
author = {Benjin Zhu and Jianfeng Wang and Zhengkai Jiang and Fuhang Zong and Songtao Liu and Zeming Li and Jian Sun},
journal= {arXiv preprint arXiv:2007.03496},
year = {2020}
}
备注
Revised for submission