置信度传播聚类：释放目标检测器的全部潜力
计算机视觉与模式识别
2022-03-22 v4
摘要
长期以来，大多数目标检测方法通过使用非极大值抑制（NMS）及其改进版本（如 Soft-NMS）来去除冗余边界框以获取目标。我们从三个方面挑战那些基于 NMS 的方法：1）置信度值最高的边界框未必是与真值框重叠最大的真正例。2）对于冗余框不仅需要抑制，对于真正例还需要置信度增强。3）按置信度值对候选框排序并非必要，从而可实现完全并行。本文受信念传播（BP）启发，提出置信度传播聚类（CP-Cluster）以替代基于 NMS 的方法，其完全可并行且精度更优。在 CP-Cluster 中，我们从 BP 借用消息传递机制，以迭代方式同时惩罚冗余框并增强真正例直至收敛。我们将 CP-Cluster 应用于 FasterRCNN、SSD、FCOS、YOLOv3、YOLOv5、Centernet 等多种主流检测器来验证其有效性。在 MS COCO 上的实验表明，我们的即插即用方法无需重新训练检测器，与基于 NMS 的方法相比，能够稳定地以 0.3 到 1.9 的明显幅度分别提升所有这些 SOTA 模型的平均 mAP。
引用
@article{arxiv.2112.00342,
title = {Confidence Propagation Cluster: Unleash Full Potential of Object Detectors},
author = {Yichun Shen and Wanli Jiang and Zhen Xu and Rundong Li and Junghyun Kwon and Siyi Li},
journal= {arXiv preprint arXiv:2112.00342},
year = {2022}
}
备注
Accepted by CVPR 2022