深入探究两阶段目标检测中正提议的不平衡问题
计算机视觉与模式识别
2020-05-26 v1
摘要
不平衡问题是当前目标检测模型一个主要但尚未解决的瓶颈。在本工作中，我们观察到两个关键但从未被讨论的不平衡问题。第一个不平衡在于大量低质量的 RPN 提议，这使得 R-CNN 模块（即后分类层）在训练早期阶段高度偏向负提议。第二个不平衡源于不同测试图像中真实标注数量的不平衡，导致测试阶段潜在存在的正提议数量不平衡。为解决这两个不平衡问题，我们在 Faster R-CNN 中引入了两项创新：1）一种 R-CNN 梯度退火（RGA）策略，以增强正提议在训练早期阶段的影响。2）一组并行 R-CNN 模块（PRM），在同一骨干网络上训练时采用不同的正/负采样比率。我们的 RGA 和 PRM 在 COCO minival 上总共可带来 2.0% 的 AP 提升。在 CrowdHuman 上的实验进一步验证了我们的创新在不同类型目标检测任务中的有效性。
引用
@article{arxiv.2005.11472,
title = {Delving into the Imbalance of Positive Proposals in Two-stage Object Detection},
author = {Zheng Ge and Zequn Jie and Xin Huang and Chengzheng Li and Osamu Yoshie},
journal= {arXiv preprint arXiv:2005.11472},
year = {2020}
}