通过学习组合误差函数实现目标检测的快速收敛
计算机视觉与模式识别
2018-08-15 v1
摘要
本文提出一种创新方法，以提升目标检测神经网络的收敛速度与精度。我们的方法 CONVERGE-FAST-AUXNET 基于采用多个相关的损失度量，并利用在线训练的辅助网络对其最优加权。实验在著名的 RoboCup@Work 挑战环境中进行。一个全卷积分割网络被训练用于检测物体的拾取点。我们基于目标检测网络的精度，经验性地获得了机器人拾取操作成功率的近似度量。实验表明，在向以常用交并比（IoU）度量训练的网络添加最优加权的欧氏距离损失后，收敛时间减少了 42.48%。估计拾取率提升了 39.90%。与最先进的任务加权方法相比，收敛方面提升 24.5%，估计拾取率方面提升 15.8%。
引用
@article{arxiv.1808.04480,
title = {Fast Convergence for Object Detection by Learning how to Combine Error Functions},
author = {Benjamin Schnieders and Karl Tuyls},
journal= {arXiv preprint arXiv:1808.04480},
year = {2018}
}
备注
Accepted for publication at IROS 2018