用于密集目标检测的混合分类-回归自适应损失
计算机视觉与模式识别
2024-09-02 v1
摘要
对于目标检测器，提升模型性能的关键在于同时考虑跨任务的不一致性并关注难以训练的样本。实现这一点需要结合分类和回归任务的信息。然而，先前的工作往往要么侧重于各自任务中难以训练的样本，要么仅用 IoU 计算分类分数，这通常导致模型性能次优。在本文中，我们提出了一种混合分类-回归自适应损失，称为 HCRAL。具体而言，我们引入了分类与 IoU 残差 (RCI) 模块用于跨任务监督以解决任务不一致性，并引入条件因子 (CF) 以关注每个任务中难以训练的样本。此外，我们引入了一种名为扩展自适应训练样本选择 (EATSS) 的新策略，以提供表现出分类和回归不一致性的额外样本。为了验证所提方法的有效性，我们在 COCO test-dev 上进行了大量实验。实验评估证明了我们方法的优越性。此外，我们通过将分类和回归损失与流行单阶段模型中的常规损失函数分别结合来设计实验，证明了性能的提升。
引用
@article{arxiv.2408.17182,
title = {Hybrid Classification-Regression Adaptive Loss for Dense Object Detection},
author = {Yanquan Huang and Liu Wei Zhen and Yun Hao and Mengyuan Zhang and Qingyao Wu and Zikun Deng and Xueming Liu and Hong Deng},
journal= {arXiv preprint arXiv:2408.17182},
year = {2024}
}