DSLA：面向高效无锚框目标检测的动态平滑标签分配
计算机视觉与模式识别
2022-09-30 v2
摘要
无锚框检测器基本上将目标检测表述为密集分类与回归。对于流行的无锚框检测器，通常会引入独立的预测分支来估计定位质量。当我们深入考察分类与质量估计的实践时，观察到以下不一致性。首先，对于一些被赋予完全不同标签的相邻样本，训练后的模型会产生相似的分类分数。这违背了训练目标并导致性能下降。其次，发现具有较高置信度的检测边界框反而与对应真实框的重叠更小。在 Non-Maximum Suppression（NMS，非极大值抑制）过程中，准确定位的边界框会被不太准确的边界框抑制。为解决这些不一致问题，提出了动态平滑标签分配（DSLA）方法。基于 FCOS 中最初提出的 centerness 概念，提出了一种平滑分配策略。标签被平滑为 [0, 1] 中的连续值，以在正负样本间实现平稳过渡。Intersection-of-Union（IoU，交并比）在训练中被动态预测并与平滑标签耦合。动态平滑标签被分配给分类分支以进行监督。在此监督下，质量估计分支自然并入分类分支，简化了无锚框检测器的架构。在 MS COCO 基准上进行了综合实验。结果表明，DSLA 通过缓解上述无锚框检测器的不一致性显著提升了检测精度。我们的代码发布于 https://github.com/YonghaoHe/DSLA。
引用
@article{arxiv.2208.00817,
title = {DSLA: Dynamic smooth label assignment for efficient anchor-free object detection},
author = {Hu Su and Yonghao He and Rui Jiang and Jiabin Zhang and Wei Zou and Bin Fan},
journal= {arXiv preprint arXiv:2208.00817},
year = {2022}
}
备注
single column, 33 pages, 7 figures, accepted by Pattern Recognition