面向计算图友好的COCO指标高效计算用于训练时模型评估
计算机视觉与模式识别
2022-07-26 v1 机器学习
摘要
在现代深度学习框架的静态计算图中评估COCO平均精度均值（MaP）和COCO召回率指标带来了一系列独特的挑战。这些挑战包括需要维护动态大小的状态以计算平均精度均值、依赖全局数据集级别的统计量来计算指标，以及处理一个批次中不同图像之间边界框数量不一致的问题。因此，研究人员和从业者通常将COCO指标作为训练后评估步骤进行评估。借助计算COCO平均精度均值和召回率的图友好算法，这些指标可在训练时进行评估，从而通过训练曲线图提高对指标演变的可视性，并缩短原型设计新模型版本时的迭代时间。我们的贡献包括一个用于平均精度均值的精确近似算法、COCO平均精度均值和COCO召回率的开源实现、用于验证我们实现准确性的大量数值基准测试，以及一个包含训练时平均精度均值和召回率评估的开源训练循环。
引用
@article{arxiv.2207.12120,
title = {Efficient Graph-Friendly COCO Metric Computation for Train-Time Model Evaluation},
author = {Luke Wood and Francois Chollet},
journal= {arXiv preprint arXiv:2207.12120},
year = {2022}
}
备注
7 pages, 3 figures