单阶段检测器分类性能的改进

Wu Kehe; Chen Zuge; Zhang Xiaoliang; Li Wei

单阶段检测器分类性能的改进

计算机视觉与模式识别 2020-11-23 v1 机器学习

作者: Wu Kehe , Chen Zuge , Zhang Xiaoliang , Li Wei

摘要

RetinaNet提出Focal Loss用于分类任务，大幅改进了单阶段检测器。然而，其与两阶段检测器之间仍存在差距。我们分析RetinaNet的预测，发现分类与定位的不对齐是主要因素。大多数预测框与真实框的IoU大于0.5，而其分类得分低于0.5，这表明分类任务仍有优化空间。本文针对该问题提出目标置信度任务，其与分类任务共享特征。该任务以样本与真实框之间的IoU作为目标，且训练时仅使用正样本的loss，从而增大分类任务训练中正样本的loss权重。同时，分类得分与目标置信度的联合将用于指导NMS。我们的方法不仅能改进分类任务，还可缓解分类与定位的不对齐。为评估方法有效性，我们在MS COCO 2017数据集上进行了实验。在无额外技巧的情况下，我们的方法在相同训练配置下，使用ResNet50和ResNet101分别在COCO验证集上提升AP 0.7%和1.0%，且以两倍训练时间可达到38.4% AP。代码见：http://github.com/chenzuge1/RetinaNet-Conf.git。

关键词

单阶段检测器 RetinaNet Focal Loss 目标置信度分类-定位不对齐非极大值抑制

引用

@article{arxiv.2011.10465,
  title  = {Improvement of Classification in One-Stage Detector},
  author = {Wu Kehe and Chen Zuge and Zhang Xiaoliang and Li Wei},
  journal= {arXiv preprint arXiv:2011.10465},
  year   = {2020}
}

备注

17 pages, 5 figures

单阶段检测器分类性能的改进

摘要

关键词

引用

备注

相关论文