BEA：利用萌生集成架构重新审视基于锚框的目标检测深度神经网络
计算机视觉与模式识别
2023-11-13 v4 人工智能
摘要
本文介绍萌生集成架构（BEA），一种用于基于锚框的目标检测模型的新型精简集成架构。目标检测模型在基于视觉的任务中至关重要，尤其在自主系统中。它们应提供精确的边界框检测，同时校准其预测置信度分数，从而产生更高质量的 Uncertainty 估计。然而，当前模型可能因假阳性获得高分或真阳性因低分被丢弃而做出错误决策。BEA旨在解决这些问题。BEA中提出的损失函数改善了置信度分数校准并降低了不确定性误差，从而更好区分真假阳性，最终提高目标检测模型的精度。Base-YOLOv3与SSD模型均通过BEA方法及其提出的损失函数得到增强。在KITTI数据集上训练的BEA Base-YOLOv3使mAP和AP50分别提升6%和3.7%。利用均衡良好的不确定性估计阈值实时丢弃样本，甚至比其基础模型高出9.6%的AP50。这归因于用于衡量置信度分数校准质量的基于AP50的保留曲线下面积增加了40%。此外，在KITTI上训练的BEA-YOLOV3相比YOLOv3与Gaussian-YOLOv3的集成及原始模型，在Citypersons、BDD100K和COCO数据集上提供更优的分布外检测。
引用
@article{arxiv.2309.08036,
title = {BEA: Revisiting anchor-based object detection DNN using Budding Ensemble Architecture},
author = {Syed Sha Qutub and Neslihan Kose and Rafael Rosales and Michael Paulitsch and Korbinian Hagn and Florian Geissler and Yang Peng and Gereon Hinz and Alois Knoll},
journal= {arXiv preprint arXiv:2309.08036},
year = {2023}
}
备注
14 pages, 5 pages supplementary material. Accepted at BMVC-2023