目标检测的和谐量化：HQOD

目标检测中的任务不和谐问题常见，导致分类任务和回归任务之间的质量不一致。具有高分类得分但定位位置不佳的预测框，或具有低分类得分但准确定位位置的预测框，都会在非极大值抑制（Non-Maximum Suppression）后恶化检测器的性能。此外，当目标检测器与量化感知训练（QAT）协同工作时，我们观察到任务不和谐问题将进一步恶化，这被认为是量化检测器性能下降的主要原因之一。为解决此问题，我们提出了面向目标检测的和谐化量化框架（Harmonious Quantization for Object Detection, HQOD），该框架包含两个组件。首先，我们提出了task-correlated loss，以鼓励检测器在QAT期间关注具有较低task和谐度质量的样本。其次，引入和谐化Intersection over Union（IoU）loss，以在不同IoU水平之间平衡回归分支的优化。该提议的HQOD可轻松集成到不同的QAT算法和检测器中。值得注意的是，在MS COCO数据集上，我们的4位ATSS ResNet-50主干网络实现了39.6%的SOTA mAP，甚至超过了全精度模型。