从噪声锚框中学习用于单阶段目标检测
计算机视觉与模式识别
2020-06-01 v2
摘要
最先进的目标检测器依赖于对大量可能锚框的回归与分类，这些锚框根据其与被检测真值目标的交并比（IoU）被划分为正负样本。这种以IoU为条件的严苛划分导致了潜在的噪声二值标签，给训练带来挑战。本文中，我们提出缓解由不完美标签分配引入的噪声，使得锚框的贡献由与每个锚框相关联的、精心构建的洁净度分数动态决定。利用回归与分类分支的输出，这些洁净度分数在不带来额外计算开销的情况下被估计，既用作监督分类分支训练的软标签，也用作样本重加权因子以提升定位与分类精度。我们在COCO上进行了大量实验，并表明所提方法借助多种骨干网络使RetinaNet稳定提升约2%。
引用
@article{arxiv.1912.05086,
title = {Learning from Noisy Anchors for One-stage Object Detection},
author = {Hengduo Li and Zuxuan Wu and Chen Zhu and Caiming Xiong and Richard Socher and Larry S. Davis},
journal= {arXiv preprint arXiv:1912.05086},
year = {2020}
}
备注
CVPR 2020 camera ready