LapNet：面向实时密集目标检测的自动平衡损失与最优分配
计算机视觉与模式识别
2020-03-18 v2
摘要
基于深度学习的实时单阶段目标检测器在精度上仍不及更复杂的检测器。模型性能与计算速度之间的权衡是一项主要挑战。本文中，我们提出一种高效学习单发检测器的新方法，其在这两个目标间提供了非常好的折衷。为此，我们引入了 LapNet，一种基于锚点的检测器，以端到端方式训练且无需任何采样策略。我们的方法旨在克服基于锚点的检测器训练中所遇到的两个重要问题：（1）锚点至真值的分配歧义，以及（2）类别与物体尺寸不平衡。为解决第一个局限，我们提出一种基于称为“逐物体归一化重叠”（PONO）的新重叠函数的软正/负锚点分配过程。该软分配可由网络自身纠正以避免邻近物体间的歧义。为应对第二个局限，我们提出学习额外的权重（推理时不使用）以有效管理样本不平衡。这两项贡献使得检测器学习无论训练数据集如何都更具通用性。多种实验显示了所提方法的有效性。
引用
@article{arxiv.1911.01149,
title = {LapNet : Automatic Balanced Loss and Optimal Assignment for Real-Time Dense Object Detection},
author = {Florian Chabot and Quoc-Cuong Pham and Mohamed Chaouch},
journal= {arXiv preprint arXiv:1911.01149},
year = {2020}
}