通过自适应训练样本选择弥合基于锚点与无锚点检测之间的差距
计算机视觉与模式识别
2020-06-23 v4
摘要
目标检测多年来一直由基于锚点的检测器主导。近年来，由于 FPN 和 Focal Loss 的提出，无锚点检测器变得流行。在本文中，我们首先指出基于锚点与无锚点检测的本质区别实际上在于如何定义正、负训练样本，这导致了它们之间的性能差距。如果它们在训练时采用相同的正负样本定义，无论从一个边界框还是一个关键点回归，最终性能都没有明显差异。这表明如何选取正负训练样本对当前的目标检测器十分重要。接着，我们提出一种自适应训练样本选择（Adaptive Training Sample Selection, ATSS）方法，根据目标的统计特征自动选取正负样本。它显著提升了基于锚点与无锚点检测器的性能，并弥合了二者之间的差距。最后，我们讨论了在图像每个位置上平铺多个锚点以检测目标的必要性。在 MS COCO 上开展的大量实验支持了我们上述的分析与结论。借助新引入的 ATSS，我们将最先进（state-of-the-art, SOTA）检测器的性能大幅提升至 AP，且不引入任何额外开销。代码已发布于 https://github.com/sfzhang15/ATSS。
引用
@article{arxiv.1912.02424,
title = {Bridging the Gap Between Anchor-based and Anchor-free Detection via Adaptive Training Sample Selection},
author = {Shifeng Zhang and Cheng Chi and Yongqiang Yao and Zhen Lei and Stan Z. Li},
journal= {arXiv preprint arXiv:1912.02424},
year = {2020}
}
备注
Accepted by CVPR 2020 as Oral; Best Paper Nomination