用于单阶段目标检测的 IoU 均衡损失函数
计算机视觉与模式识别
2020-12-15 v2
摘要
单阶段目标检测器因其高效率已广泛应用于计算机视觉应用中。然而，我们发现单阶段目标检测器所采用的损失函数严重损害了定位精度。首先，用于分类的标准交叉熵损失与定位任务无关，并在训练期间驱动所有正样本学习尽可能高的分类分数而不管定位精度如何。结果，将存在许多具有高分类分数但低 IoU 的检测，或具有低分类分数但高 IoU 的检测。其次，对于标准的 smooth L1 损失，其梯度在训练期间由定位精度差的离群样本所主导。上述两个问题将降低单阶段检测器的定位精度。在本工作中，提出了由 IoU 均衡分类损失和 IoU 均衡定位损失组成的 IoU 均衡损失函数来解决上述问题。IoU 均衡分类损失更关注具有高 IoU 的正样本，并能增强分类与定位任务之间的相关性。IoU 均衡定位损失降低了低 IoU 样本的梯度并增加了高 IoU 样本的梯度，从而可提高模型的定位精度。在 MS COCO、PASCAL VOC 和 Cityscapes 等具有挑战性的公开数据集上的大量实验表明，两种 IoU 均衡损失都能为流行的单阶段检测器带来实质性改进，尤其是定位精度。在 COCO test-dev 上，所提方法可将 AP 显著提升 并将 AP75 显著提升 。在 PASCAL VOC 上，它还能将 AP 显著提升 并将 AP80、AP90 显著提升 。
引用
@article{arxiv.1908.05641,
title = {IoU-balanced Loss Functions for Single-stage Object Detection},
author = {Shengkai Wu and Jinrong Yang and Xinggang Wang and Xiaoping Li},
journal= {arXiv preprint arXiv:1908.05641},
year = {2020}
}