NMS-Loss：面向拥挤行人检测的非极大值抑制学习
计算机视觉与模式识别
2021-06-07 v1
摘要
非极大值抑制（NMS）对目标检测至关重要，并通过引入假阳性（FP）与假阴性（FN）影响评估结果，尤其在人群遮挡场景中。本文提出由 NMS 引起的训练目标与评估指标间弱连接的问题，并提出一种新颖的 NMS-Loss，使 NMS 过程能够端到端训练而无需任何额外网络参数。我们的 NMS-Loss 惩罚两种情况：FP 未被抑制以及 FN 被 NMS 错误消除。具体而言，我们提出 pull loss 将同一目标的预测相互拉近，以及 push loss 将不同目标的预测相互推远。实验结果表明，在 NMS-Loss 的辅助下，我们的检测器 NMS-Ped 在 Caltech 数据集上取得漏检率 5.92%、在 CityPersons 数据集上取得 10.08% 的优异结果，均优于当前最优竞争对手。
引用
@article{arxiv.2106.02426,
title = {NMS-Loss: Learning with Non-Maximum Suppression for Crowded Pedestrian Detection},
author = {Zekun Luo and Zheng Fang and Sixiao Zheng and Yabiao Wang and Yanwei Fu},
journal= {arXiv preprint arXiv:2106.02426},
year = {2021}
}
备注
ICMR2021 camera ready version