训练深度目标检测器是否必需启发式采样？
计算机视觉与模式识别
2021-08-12 v8
摘要
为了在极端的前景-背景不平衡下训练准确的深度目标检测器，启发式采样方法总是必要的，这类方法要么对所有训练样本进行重采样（硬采样方法，如偏置采样、OHEM），要么使用全部训练样本但对其加以区分的重加权（软采样方法，如 Focal Loss、GHM）。本文中，我们质疑此类硬/软采样方法对于训练准确深度目标检测器的必要性。尽管先前研究表明不使用启发式采样方法训练检测器会显著降低精度，我们揭示这种精度下降源于不平衡导致的不合理分类梯度幅值，而非缺乏重采样/重加权。受此发现启发，我们提出一种简单而有效的\emph{无采样}（Sampling-Free）机制，通过初始化和损失缩放来获得合理的分类梯度幅值。与具有多个超参数的启发式采样方法不同，我们的无采样机制是完全数据诊断性的，无需繁琐的超参数搜索。我们在基于锚框和无锚框目标检测器的训练中验证了方法的有效性，在 COCO 和 PASCAL VOC 数据集上，我们的方法始终取得比启发式采样方法更高的检测精度。我们的无采样机制为应对前景-背景不平衡提供了新视角。我们的代码发布于 \url{https://github.com/ChenJoya/sampling-free}。
引用
@article{arxiv.1909.04868,
title = {Is Heuristic Sampling Necessary in Training Deep Object Detectors?},
author = {Joya Chen and Dong Liu and Tong Xu and Shiwei Wu and Yifei Cheng and Enhong Chen},
journal= {arXiv preprint arXiv:1909.04868},
year = {2021}
}
备注
Accepted by IEEE Transactions on Image Processing (14 pages)