用于单次目标检测的一致优化
计算机视觉与模式识别
2019-01-24 v2
摘要
我们提出了用于单阶段目标检测的一致优化。先前的单阶段目标检测器工作通常依赖规则的、密集采样的锚点来生成假设以优化模型。通过检查检测器的行为，我们观察到优化目标与推理配置之间的错位阻碍了性能提升。我们提出通过一致优化来弥合这一差距，这是对传统单阶段检测器优化策略的扩展。一致优化侧重于通过在训练期间利用精炼的锚点来匹配训练假设和推理质量。为了评估其有效性，我们基于最先进的 RetinaNet 检测器进行了各种设计选择。我们证明是一致优化而非架构设计带来了性能提升。一致优化几乎是无成本的，并且无论模型容量或输入尺度如何，都能获得稳定的性能增益。具体而言，采用一致优化在没有任何附加技巧的情况下将 RetinaNet 在 COCO 数据集上的性能从 39.1 AP 提升至 40.1 AP，当采用 ResNet-101 作为骨干网络时，超越了所有现有最先进单阶段检测器的精度。代码将公开提供。
引用
@article{arxiv.1901.06563,
title = {Consistent Optimization for Single-Shot Object Detection},
author = {Tao Kong and Fuchun Sun and Huaping Liu and Yuning Jiang and Jianbo Shi},
journal= {arXiv preprint arXiv:1901.06563},
year = {2019}
}
备注
Technical report