Dynamic R-CNN：通过动态训练实现高质量目标检测
计算机视觉与模式识别
2020-07-28 v2
摘要
尽管两阶段目标检测器近年来不断刷新最优性能，但其训练过程本身远非清晰。本文中，我们首先指出固定网络设置与动态训练过程之间的不一致问题，其极大影响了性能。例如，固定的标签分配策略和回归损失函数无法适应候选框分布的变化，从而不利于训练高质量检测器。为此，我们提出 Dynamic R-CNN，根据训练过程中候选框的统计信息自动调整标签分配标准(IoU 阈值)和回归损失函数的形状(SmoothL1 Loss 的参数)。这种动态设计更好地利用了训练样本，并推动检测器拟合更多高质量样本。具体而言，我们的方法在 MS COCO 数据集上基于 ResNet-50-FPN 基线提升了 1.9% AP 和 5.5% AP，且无额外开销。代码和模型见 https://github.com/hkzhang95/DynamicRCNN。
引用
@article{arxiv.2004.06002,
title = {Dynamic R-CNN: Towards High Quality Object Detection via Dynamic Training},
author = {Hongkai Zhang and Hong Chang and Bingpeng Ma and Naiyan Wang and Xilin Chen},
journal= {arXiv preprint arXiv:2004.06002},
year = {2020}
}
备注
Accepted by ECCV2020