相关损失：强制分类与定位之间的相关性

计算机视觉与模式识别 2023-01-04 v1

作者: Fehmi Kahraman , Kemal Oksuz , Sinan Kalkan , Emre Akbas

摘要

目标检测器传统上通过分类损失与定位损失的加权和训练。近期研究（例如，用辅助头预测IoU、广义焦点损失、排序与排序损失）表明，以非传统方式迫使这两个损失项相互作用会产生有用的归纳偏置并提升性能。受这些工作启发，我们关注分类与定位之间的相关性，并做出两项主要贡献：（i）我们提供了关于目标检测器中分类与定位任务间相关性影响的分析。我们明确了相关性如何影响各类基于NMS和无NMS检测器的性能，设计了评估相关性影响的度量并用其分析常见检测器。（ii）受我们的观察（例如无NMS检测器也可从相关性中受益）驱动，我们提出相关损失（Correlation Loss），一种通过直接优化相关系数来提升多种目标检测器性能的新型插件损失函数：例如，在无NMS方法Sparse R-CNN上，相关损失在COCO上带来1.6 AP提升，在Cityscapes数据集上带来1.8 AP提升。我们在Sparse R-CNN上的最佳模型在COCO test-dev上无测试时增强达到51.0 AP，取得最先进水平。代码见 https://github.com/fehmikahraman/CorrLoss

关键词

目标检测相关损失分类定位无NMS检测器归纳偏置

引用

@article{arxiv.2301.01019,
  title  = {Correlation Loss: Enforcing Correlation between Classification and Localization},
  author = {Fehmi Kahraman and Kemal Oksuz and Sinan Kalkan and Emre Akbas},
  journal= {arXiv preprint arXiv:2301.01019},
  year   = {2023}
}

备注

Accepted to AAAI 2023

相关损失：强制分类与定位之间的相关性

摘要

关键词

引用

备注

相关论文