用于目标检测的解耦 IoU 回归
计算机视觉与模式识别
2022-02-03 v1
摘要
非极大值抑制（NMS）广泛用于目标检测流程中以去除重复的边界框。NMS 所用置信度与真实定位置信度之间的不一致严重影响了检测性能。先前工作提出预测边界框与对应真实框之间的交并比（IoU）以改进 NMS，而准确预测 IoU 仍是一个具有挑战性的问题。我们认为 IoU 的复杂定义与特征错位使得准确预测 IoU 困难。本文中，我们提出一种新颖的解耦 IoU 回归（DIR）模型来处理这些问题。所提出的 DIR 将传统定位置信度度量 IoU 解耦为两个新度量：纯度（Purity）与完整度（Integrity）。纯度反映检测边界框中目标区域的占比，完整度指被检测目标区域的完备性。分别预测纯度与完整度可将边界框与其 IoU 之间的复杂映射划分为两个更清晰的映射并独立建模。此外，还引入了一种简单但有效的特征重对齐方法，使 IoU 回归器以事后回溯方式工作，从而令目标映射更稳定。所提出的 DIR 可便捷地集成到现有两阶段检测器中并显著提升其性能。通过在 HTC 上简单实现 DIR，我们在 MS COCO 基准上获得 51.3% AP，优于先前方法并达到最先进水平。
引用
@article{arxiv.2202.00866,
title = {Decoupled IoU Regression for Object Detection},
author = {Yan Gao and Qimeng Wang and Xu Tang and Haochen Wang and Fei Ding and Jing Li and Yao Hu},
journal= {arXiv preprint arXiv:2202.00866},
year = {2022}
}
备注
ACMMM 2021 Poster