基于不确定性边界框回归的高精度目标检测
计算机视觉与模式识别
2019-04-18 v3
摘要
大规模目标检测数据集（如 MS-COCO）试图尽可能清晰地定义真实边界框。然而，我们观察到在标注边界框时仍会引入歧义。本文提出一种新颖的边界框回归损失，用于同时学习边界框变换与定位方差。该损失以几乎不增加额外计算的方式大幅提升了多种架构的定位精度。学习到的定位方差使我们能够在非极大值抑制（NMS）过程中合并相邻边界框，从而进一步提升定位性能。在 MS-COCO 上，我们将 VGG-16 Faster R-CNN 的平均精度（AP）从 23.6% 提升至 29.1%。更重要的是，对于 ResNet-50-FPN Mask R-CNN，我们的方法将 AP 和 AP90 分别提升了 1.8% 和 6.2%，显著优于以往最先进的边界框细化方法。我们的代码与模型可在 github.com/yihui-he/KL-Loss 获取。
引用
@article{arxiv.1809.08545,
title = {Bounding Box Regression with Uncertainty for Accurate Object Detection},
author = {Yihui He and Chenchen Zhu and Jianren Wang and Marios Savvides and Xiangyu Zhang},
journal= {arXiv preprint arXiv:1809.08545},
year = {2019}
}
备注
CVPR 2019