损失排序挖掘：一种面向实时检测器的通用难例挖掘方法
计算机视觉与模式识别
2018-04-13 v1
摘要
现代目标检测器通常受困于低精度问题，因为前景总是淹没在海量的背景中，并在训练过程中成为难例。与基于候选框的检测器相比，实时检测器处境更为严峻，因为它们放弃了用于过滤大部分背景以实现实时速率的候选区域生成阶段。尽管迫切需要从海量背景中挖掘作为难例的前景，但许多最先进的实时检测器（如 YOLO 系列）尚未从现有的难例挖掘方法中获益，因为使用这些方法需要检测器满足一系列先决条件。本文中，我们提出一种名为损失排序挖掘（Loss Rank Mining, LRM）的通用难例挖掘方法来填补这一空白。LRM 是一种面向实时检测器的通用方法，因为它利用存在于所有实时检测器中的最终特征图来挖掘难例。通过使用 LRM，最终特征图中代表易例的一些元素被过滤掉，检测器在训练时被迫使专注于难例。大量实验验证了我们的方法的有效性。借助我们的方法，YOLOv2 检测器在自动驾驶相关数据集 KITTI 和更通用的数据集 PASCAL VOC 上的 mAP 分别提升超过 5% 和 2%。此外，LRM 是首个能完美适配 YOLOv2 并使其更好地应用于一系列同时强烈要求实时速率与精确检测的实景中的难例挖掘策略。
引用
@article{arxiv.1804.04606,
title = {Loss Rank Mining: A General Hard Example Mining Method for Real-time Detectors},
author = {Hao Yu and Zhaoning Zhang and Zheng Qin and Hao Wu and Dongsheng Li and Jun Zhao and Xicheng Lu},
journal= {arXiv preprint arXiv:1804.04606},
year = {2018}
}
备注
8 pages, 6 figures