用于密集目标检测的互监督方法
计算机视觉与模式识别
2021-09-14 v1
摘要
分类头和回归头都是构建密集目标检测器不可或缺的组成部分,它们通常由相同的训练样本监督,因而期望在检测流程中相互一致以准确检测目标。本文中,我们打破了密集检测器中这两个头使用相同训练样本的惯例,并探索了一种新颖的监督范式,称为互监督(MuSu),分别为分类头和回归头相互分配训练样本以确保这种一致性。MuSu 主要基于分类预测分数为回归头定义训练样本,反之,基于回归头的定位分数为分类头定义样本。实验结果表明,由该互监督训练的检测器收敛性得到保证,且所提方法在具有挑战性的 MS COCO 基准上验证了有效性。我们还发现,在同一位置平铺更多锚框有益于检测器,并在该训练方案下带来进一步改进。我们希望本工作能启发对检测中分类与回归任务交互以及检测器监督范式(尤其对这两个头分别进行监督)的进一步研究。
引用
@article{arxiv.2109.05986,
title = {Mutual Supervision for Dense Object Detection},
author = {Ziteng Gao and Limin Wang and Gangshan Wu},
journal= {arXiv preprint arXiv:2109.05986},
year = {2021}
}
备注
ICCV 2021 camera ready version