高斯引导 IoU：一种用于目标检测平衡学习的更优度量
计算机视觉与模式识别
2021-03-26 v1
摘要
对于大多数基于锚框的检测器，交并比（IoU）被广泛用于在训练期间为锚框分配目标。然而，IoU 对锚框中心与真实框中心的接近程度关注不足。这导致两个问题：（1）大多数细长物体仅被分配一个锚框，导致训练期间细长物体监督信息不足，且细长物体的性能受损；（2）IoU 无法准确表示锚框中心处特征感受野与物体之间的对齐程度。因此在训练期间，一些感受野与物体对齐更好的特征被遗漏，而一些感受野与物体对齐更差的特征被采用。这损害了模型的定位精度。为解决这些问题，我们首先设计了高斯引导 IoU（GGIoU），其更关注锚框中心与真实框中心的接近程度。接着我们提出 GGIoU 平衡学习方法，包括 GGIoU 引导分配策略和 GGIoU 平衡定位损失。该方法可为每个细长物体分配多个锚框，并使训练过程偏向于与物体对齐良好的特征。在 PASCAL VOC 和 MS COCO 等流行基准上的大量实验表明，GGIoU 平衡学习能解决上述问题并显著提升目标检测模型的性能，尤其在定位精度方面。
引用
@article{arxiv.2103.13613,
title = {Gaussian Guided IoU: A Better Metric for Balanced Learning on Object Detection},
author = {Shengkai Wu and Jinrong Yang and Hangcheng Yu and Lijun Gou and Xiaoping Li},
journal= {arXiv preprint arXiv:2103.13613},
year = {2021}
}