利用 Fitness NMS 和有界 IoU 损失改进目标定位
计算机视觉与模式识别
2018-03-14 v3
摘要
我们证明许多检测方法仅旨在识别一个足够准确的边界框,而非可用的最佳边界框。为解决此问题,我们提出一种对现有方法的简单快速修改,称为 Fitness NMS。该方法在 DeNet 模型上进行了测试,在更高的定位精度下获得了显著改进的 mAP,且评估速率没有损失,并可与 Soft NMS 结合使用以进一步提升性能。接下来,我们基于一组 IoU 上界推导出一种新颖的边界框回归损失,它更好地匹配了 IoU 最大化的目标,同时仍具有良好的收敛特性。在这些创新之后,我们研究了用于提升 DeNet 宽模型变体评估速率的 RoI 聚类方案,并分析了在不同输入图像尺寸下的定位性能。我们在 MSCOCO 和 Titan X (Maxwell) 上获得了 33.6%@79Hz 和 41.8%@5Hz 的 mAP。源代码可从 https://github.com/lachlants/denet 获取。
引用
@article{arxiv.1711.00164,
title = {Improving Object Localization with Fitness NMS and Bounded IoU Loss},
author = {Lachlan Tychsen-Smith and Lars Petersson},
journal= {arXiv preprint arXiv:1711.00164},
year = {2018}
}
备注
CVPR2018 Main Conference (Poster)