面向运行时可校准目标检测的部署先验注入
计算机视觉与模式识别
2024-02-28 v1
摘要
当训练分布与测试分布高度一致时，对象关系作为上下文先验有助于目标检测。然而，当测试分布在空间和时间上发生不同偏移时，这种关系会转变为有害但不可避免的训练集偏差。尽管如此，现有检测器无法在不更新参数的情况下，在测试阶段融入部署上下文先验。此类能力要求模型显式地学习关于上下文先验的解耦表示。为此，我们向检测器引入额外的图输入，其中图代表部署上下文先验，其边值代表对象关系。随后，通过修改训练目标，将检测器行为训练为与该图绑定。结果是，在测试阶段，任何合适的部署上下文先验均可通过图编辑注入检测器，从而在运行时无需参数更新即可校准或将检测器“重偏置”至给定先验。即使部署先验未知，检测器也可利用其自身预测近似得到的部署先验进行自校准。在 COCO 数据集上的综合实验结果以及在 Objects365 数据集上的跨数据集测试，证明了该运行时可校准检测器的有效性。
引用
@article{arxiv.2402.17207,
title = {Deployment Prior Injection for Run-time Calibratable Object Detection},
author = {Mo Zhou and Yiding Yang and Haoxiang Li and Vishal M. Patel and Gang Hua},
journal= {arXiv preprint arXiv:2402.17207},
year = {2024}
}