用于目标检测的特征交织器

一个训练良好的模型应对每一类别的物体给出一致的分类分数。这要求样本间的高层语义特征尽可能相似。为此，以往工作侧重于重新设计损失或提出新的正则化约束。本文提供一种新视角。对每一类别，假设存在两个特征集：一个含可靠信息，另一个来源可靠性较低。我们认为在训练过程中可靠集可引导可靠性较低集的特征学习——本着学生模仿教师行为的精神，从而推动特征空间中更紧凑的类中心。该机制也使可靠集受益，因为同类样本彼此更接近——意味着分类器更易识别。我们将此互学习过程称为特征交织器，并将其嵌入目标检测中。众所周知，低分辨率物体因网络前向传播（如 RoI 操作）中细节信息丢失而更难检测。因此我们视高分辨率物体为可靠集，低分辨率物体为可靠性较低集。具体地，设计了一个交织器以最小化两集间的分布散度。进一步探讨了为可靠集生成有效特征表示的选择，其中我们将最优传输(OT)理论引入框架。可靠性较低集中的样本借助 OT 度量得到更好对齐。结合此即插即用交织器，我们相较以往最先进方法取得了显著提升。