用于目标检测与分割的双重监督特征金字塔
计算机视觉与模式识别
2019-12-17 v2
摘要
特征金字塔架构已广泛应用于目标检测与分割以应对多尺度问题。然而,本文中我们表明,由于监督信息利用不足,该架构的能力尚未被充分挖掘。这种利用不足由反向传播中监督信号退化所致。受此启发,我们提出一种双重监督方法,称为双重监督FPN(DSFPN),以在训练特征金字塔网络(FPN)时增强监督信号。具体而言,DSFPN通过在FPN自底向上子网络附加额外的预测(即检测或分割)头构建。因此,特征在传入后续网络前可由附加头优化。此外,辅助头可作为正则化项促进模型训练。另外,为增强DSFPN中检测头处理分类与回归两个异质任务的能力,通过解耦分类与回归子网络分离原本共享的隐特征空间。为证明所提方法的通用性、有效性与高效性,DSFPN被集成到四种代表性检测器(Faster RCNN、Mask RCNN、Cascade RCNN和Cascade Mask RCNN)中,并在MS COCO数据集上评估。大量实验展示了显著的精度提升、最先进性能以及可忽略的额外计算成本。代码将公开。
引用
@article{arxiv.1912.03730,
title = {Dually Supervised Feature Pyramid for Object Detection and Segmentation},
author = {Fan Yang and Cheng Lu and Yandong Guo and Longin Jan Latecki and Haibin Ling},
journal= {arXiv preprint arXiv:1912.03730},
year = {2019}
}