Libra R-CNN：面向目标检测的平衡学习
计算机视觉与模式识别
2019-04-05 v1
摘要
与模型架构相比，对检测器成功同样至关重要的训练过程在目标检测中受到的关注相对较少。在这项工作中，我们仔细重新审视了检测器的标准训练实践，发现检测性能常常受到训练过程中不平衡的限制，这种不平衡通常存在于三个层面——样本层面、特征层面和目标层面。为了减轻由此造成的不利影响，我们提出了Libra R-CNN，一个简单而有效的面向目标检测平衡学习的框架。它集成了三个新颖组件：IoU平衡采样、平衡特征金字塔和平衡L1损失，分别用于减少样本、特征和目标层面的不平衡。得益于整体的平衡设计，Libra R-CNN显著提升了检测性能。无需额外技巧，它在MSCOCO上分别比FPN Faster R-CNN和RetinaNet的平均精度（AP）高出2.5个点和2.0个点。
引用
@article{arxiv.1904.02701,
title = {Libra R-CNN: Towards Balanced Learning for Object Detection},
author = {Jiangmiao Pang and Kai Chen and Jianping Shi and Huajun Feng and Wanli Ouyang and Dahua Lin},
journal= {arXiv preprint arXiv:1904.02701},
year = {2019}
}
备注
To appear at CVPR 2019