目标检测器尺度的黑盒优化
计算机视觉与模式识别
2020-10-30 v1 机器学习
摘要
近年来，借助先进的 CNN 架构，目标检测器已取得显著改进。然而，许多检测器超参数通常是手动调节的，或是直接采用检测器作者设定的取值。自动超参数优化在改进基于 CNN 的目标检测器超参数方面尚未被探索。在本工作中，我们提出使用黑盒优化方法来调节 Faster R-CNN 和 SSD 中的先验/默认框尺度，采用贝叶斯优化、SMAC 和 CMA-ES。我们表明，通过在 Faster R-CNN 上调节输入图像尺寸和先验框锚定尺度，mAP 在 PASCAL VOC 2007 上提升 2%，在 SSD 上提升 3%。在 COCO 数据集上，SSD 的中型和大型物体 mAP 有所改善，但小型物体 mAP 下降 1%。我们还进行了回归分析以找出值得调节的显著超参数。
引用
@article{arxiv.2010.15823,
title = {Black-Box Optimization of Object Detector Scales},
author = {Mohandass Muthuraja and Octavio Arriaga and Paul Plöger and Frank Kirchner and Matias Valdenegro-Toro},
journal= {arXiv preprint arXiv:2010.15823},
year = {2020}
}
备注
17 pages, 7 figures, with appendix