通过边界框精炼增强你已训练的 DETR 模型
计算机视觉与模式识别
2023-07-25 v1
摘要
我们提出一个概念简单、高效且通用的框架，用于解决类 DETR 模型中的定位问题。我们向训练良好的模型添加插件，而非低效地设计新模型并从头训练。该方法称为 RefineBox，通过轻量级精炼网络精炼类 DETR 检测器的输出。RefineBox 易于实现与训练，因其仅利用训练好的检测模型的特征与预测框。我们的方法也高效，因为我们在训练期间冻结已训练的检测器。此外，我们可将 RefineBox 轻松推广至各种已训练检测模型而无需任何修改。我们在 COCO 和 LVIS 上开展实验。实验结果表明我们的 RefineBox 对 DETR 及其代表性变体（图 1）的有效性。例如，DETR、Conditional-DETR、DAB-DETR 和 DN-DETR 的性能增益分别为 2.4 AP、2.5 AP、1.9 AP 和 1.6 AP。我们希望我们的工作能引起检测领域对当前类 DETR 模型定位瓶颈的关注，并凸显 RefineBox 框架的潜力。代码与模型将公开于：\href{https://github.com/YiqunChen1999/RefineBox}{https://github.com/YiqunChen1999/RefineBox}。
引用
@article{arxiv.2307.11828,
title = {Enhancing Your Trained DETRs with Box Refinement},
author = {Yiqun Chen and Qiang Chen and Peize Sun and Shoufa Chen and Jingdong Wang and Jian Cheng},
journal= {arXiv preprint arXiv:2307.11828},
year = {2023}
}