采用混合匹配的DETR

Ding Jia; Yuhui Yuan; Haodi He; Xiaopei Wu; Haojun Yu; Weihong Lin; Lei Sun; Chao Zhang; Han Hu

采用混合匹配的DETR

计算机视觉与模式识别 2023-05-17 v3

作者: Ding Jia , Yuhui Yuan , Haodi He , Xiaopei Wu , Haojun Yu , Weihong Lin , Lei Sun , Chao Zhang , Han Hu

摘要

一对一集合匹配是DETR建立其端到端能力的关键设计，使得目标检测无需手工设计的NMS（非极大值抑制）来去除重复检测。这种端到端特性对DETR的通用性十分重要，并已推广到更广泛的视觉任务。然而，我们注意到被指派为正样本的查询很少，且一对一集合匹配显著降低了正样本的训练效率。我们提出一种基于混合匹配方案的简单而有效的方法，在训练期间将原始的一对一匹配分支与辅助的一对多匹配分支结合。我们的混合策略已被证明能显著提升精度。在推理时，仅使用原始的一对一匹配分支，从而保持DETR的端到端优势和相同的推理效率。该方法命名为H-DETR，并且表明一系列具有代表性的DETR方法能在广泛视觉任务上持续受益，包括DeformableDETR、PETRv2、PETR和TransTrack等。代码见：https://github.com/HDETR

关键词

DETR 混合匹配目标检测端到端一对一集合匹配 H-DETR

引用

@article{arxiv.2207.13080,
  title  = {DETRs with Hybrid Matching},
  author = {Ding Jia and Yuhui Yuan and Haodi He and Xiaopei Wu and Haojun Yu and Weihong Lin and Lei Sun and Chao Zhang and Han Hu},
  journal= {arXiv preprint arXiv:2207.13080},
  year   = {2023}
}

备注

CVPR 2023. The code is available at: https://github.com/HDETR

采用混合匹配的DETR

摘要

关键词

引用

备注

相关论文