面向目标检测的动态多尺度损失优化
计算机视觉与模式识别
2021-08-10 v1
摘要
随着通过先进模型架构带来的目标检测器性能持续提升，训练过程中的不平衡问题受到了更多关注。在多尺度检测框架下执行多尺度检测是一种常见范式。然而，训练时各尺度被同等对待。本文中，我们仔细研究了多尺度检测器训练中的目标不平衡问题。我们认为每个尺度层级的损失既非同等重要，也非相互独立。不同于现有的设置多任务权重的解决方案，我们在训练过程中动态优化各尺度层级的损失权重。具体而言，我们提出自适应方差加权（Adaptive Variance Weighting, AVW）以根据统计方差平衡多尺度损失。随后我们开发了一种新颖的强化学习优化（Reinforcement Learning Optimization, RLO），在训练中以概率方式决定加权方案。所提出的动态方法在不增加额外计算复杂度和可反向传播的可学习参数的情况下，更好地利用了多尺度训练损失。实验表明，我们的方法在 Pascal VOC 与 MS COCO 基准上能持续提升多种基线检测器的性能。
引用
@article{arxiv.2108.04014,
title = {Dynamic Multi-Scale Loss Optimization for Object Detection},
author = {Yihao Luo and Xiang Cao and Juntao Zhang and Peng Cheng and Tianjiang Wang and Qi Feng},
journal= {arXiv preprint arXiv:2108.04014},
year = {2021}
}