基于正则化混合模型的端到端多目标检测
计算机视觉与模式识别
2023-05-01 v3
摘要
近期端到端多目标检测器通过移除非极大值抑制（NMS）等手工设计流程简化了推理管线。然而在训练时，它们仍严重依赖启发式与手工流程，损害了预测置信度分数的可靠性。本文提出一种仅由负对数似然（NLL）与正则项两项构成的新颖框架来训练端到端多目标检测器。据此，多目标检测问题被视作利用正则化混合密度模型对真值边界框的密度估计。所提的端到端基于正则化混合模型的多目标检测（D-RMM）通过最小化带所提正则项（最大分量最大化（MCM）损失）的NLL来训练，以防止重复预测。我们的方法减少了训练过程的启发式并提升了预测置信度分数的可靠性。此外，我们的D-RMM在MS COCO数据集上优于此前的端到端检测器。
引用
@article{arxiv.2205.08714,
title = {End-to-End Multi-Object Detection with a Regularized Mixture Model},
author = {Jaeyoung Yoo and Hojun Lee and Seunghyeon Seo and Inseop Chung and Nojun Kwak},
journal= {arXiv preprint arXiv:2205.08714},
year = {2023}
}
备注
Accepted at ICML 2023