我们是否仍需要非极大值抑制？基于 IoU 感知校准的精确置信度估计与隐式重复建模
计算机视觉与模式识别
2023-09-07 v1
摘要
目标检测器是许多半自主与全自主决策系统的核心，且势将成为更不可或缺的部分。然而，它们在可及性上仍显不足，且有时会产生不可靠的预测。在这方面尤为令人担忧的是——本质上是手工设计的——非极大值抑制算法，其导致预测过程不透明并带来有偏的置信度估计。我们展示可通过使用 IoU 感知校准来消除经典的 NMS 式后处理。IoU 感知校准是一种条件 Beta 校准；这使其可并行化且无超参数。它并非采用任意截断或折扣，而是隐式考虑每个检测为重复检测的似然，并相应调整置信度分数，从而为每个检测给出基于经验的精度估计。我们在多种检测架构上的大量实验表明，所提 IoU 感知校准能成功建模重复检测并改善校准。与标准顺序 NMS 及校准方法相比，我们的联合建模能在产生持续更好校准的置信度预测且复杂度更低的同时，带来优于最佳基于 NMS 替代方案的性能增益。我们所有实验的\hyperlink{https://github.com/Blueblue4/IoU-AwareCalibration}{代码}均已公开。
引用
@article{arxiv.2309.03110,
title = {Do We Still Need Non-Maximum Suppression? Accurate Confidence Estimates and Implicit Duplication Modeling with IoU-Aware Calibration},
author = {Johannes Gilg and Torben Teepe and Fabian Herzog and Philipp Wolters and Gerhard Rigoll},
journal= {arXiv preprint arXiv:2309.03110},
year = {2023}
}