学习用于目标检测的统一样本加权网络
计算机视觉与模式识别
2020-06-16 v2
摘要
区域采样或加权对基于区域的现代目标检测器的成功至关重要。与以往仅关注目标函数优化时“困难”样本的一些工作不同，我们认为样本加权应当是数据依赖和任务依赖的。一个样本对于目标函数优化的重要性由其对于目标分类和边界框回归任务的不确定性决定。为此，我们设计了一个通用损失函数以涵盖采用各种采样策略的大多数基于区域的目标检测器，并基于此提出一个统一样本加权网络来预测样本的任务权重。我们的框架简单而有效。它利用样本在分类损失、回归损失、IoU 和概率得分上的不确定性分布来预测样本权重。我们的方法具有若干优势：（i）联合学习分类和回归任务的样本权重，这使其区别于以往大多数工作。（ii）它是一个数据驱动的过程，因此避免了某些手动参数调优。（iii）它可以轻松插入大多数目标检测器，并在不影响其推理时间的情况下实现显著的性能提升。我们的方法已在近期目标检测框架上得到充分评估，并能持续提升检测精度。代码已发布于 \url{https://github.com/caiqi/sample-weighting-network}。
引用
@article{arxiv.2006.06568,
title = {Learning a Unified Sample Weighting Network for Object Detection},
author = {Qi Cai and Yingwei Pan and Yu Wang and Jingen Liu and Ting Yao and Tao Mei},
journal= {arXiv preprint arXiv:2006.06568},
year = {2020}
}
备注
CVPR 2020; The source code and model are publicly available at: \url{https://github.com/caiqi/sample-weighting-network}