通过消除启发式 NMS 简化目标检测
计算机视觉与模式识别
2021-03-01 v2
摘要
我们展示了一个简洁的无 NMS、端到端目标检测框架,其网络仅对单阶段目标检测器(如 FCOS 检测模型 [Tian et al. 2019])做了极小修改。我们取得了与原始单阶段检测器相当甚至更优的检测精度。它以几乎相同的推理速度执行检测,同时更为简洁,因为推理时现在消除了后处理 NMS(非极大值抑制)。如果网络能够为图像中每个真实目标实例仅识别出一个正样本用于预测,那么 NMS 将变得不必要。这是通过附加一个紧凑的 PSS 头以自动为每个实例选择单一正样本实现的(见图 1)。由于学习目标同时涉及一对多和一对一标签分配,某些训练样本的标签存在冲突,使学习具有挑战性。我们展示,通过采用停止梯度操作,可以成功解决该问题并训练检测器。在 COCO 数据集上,我们简洁的设计取得了优于带 NMS 后处理的 FCOS 基线检测器以及近期端到端无 NMS 检测器的性能。我们大量的消融研究验证了设计选择的理论依据。
引用
@article{arxiv.2101.11782,
title = {Object Detection Made Simpler by Eliminating Heuristic NMS},
author = {Qiang Zhou and Chaohui Yu and Chunhua Shen and Zhibin Wang and Hao Li},
journal= {arXiv preprint arXiv:2101.11782},
year = {2021}
}
备注
11 pages. Code is available at: https://git.io/PSS