通过生成预测IoU引导的质量分数感知定位精度
计算机视觉与模式识别
2023-09-26 v1 人工智能
摘要
定位质量估计（LQE）有助于提升检测性能，因为它通过联合考虑分类分数与定位精度而有益于后处理。基于此，为进一步利用定位精度与 IoU（交并比）之间的紧密关系，并抑制那些不一致的预测，我们设计了一个优雅的 LQE 分支，以获取由预测 IoU 引导的定位质量分数。值得注意的是，为缓解训练与推理过程中分类分数与定位质量的不一致性（在此情况下，一些分类分数低但 LQE 分数高的预测会损害性能），我们未采用分别独立设置的方式，而是将 LQE 分支嵌入分类分支中，产生联合的分类-定位-质量表示。随后提出了一种称为 CLQ 的新型单阶段检测器。大量实验表明，在以 ResNeXt-101 为骨干网络、于 COCO test-dev 上，CLQ 以 47.8 AP 的精度与 11.5 fps 的速度达到了 SOTA 性能。最后，我们将 CLQ 扩展至 ATSS，获得了可靠的 1.2 AP 提升，显示出本模型很强的适应性与可扩展性。代码发布于 https://github.com/PanffeeReal/CLQ。
引用
@article{arxiv.2309.13269,
title = {Being Aware of Localization Accuracy By Generating Predicted-IoU-Guided Quality Scores},
author = {Pengfei Liu and Weibo Wang and Yuhan Guo and Jiubin Tan},
journal= {arXiv preprint arXiv:2309.13269},
year = {2023}
}