面向端到端密集检测的一对少标签分配
计算机视觉与模式识别
2023-03-22 v1
摘要
一对一（o2o）标签分配在基于Transformer的端到端检测中起着关键作用，并且最近已被引入全卷积检测器以实现端到端密集检测。然而，由于正样本数量有限，o2o会降低特征学习效率。尽管最近的DETR中引入了额外的正样本来缓解此问题，但解码器中自注意力和交叉注意力的计算限制了其在密集和全卷积检测器中的实际应用。在这项工作中，我们提出了一种简单而有效的一对少（o2f）标签分配策略，用于端到端密集检测。除了为每个目标定义一个正锚点和多个负锚点外，我们还定义了若干软锚点，它们同时充当正样本和负样本。这些软锚点的正负权重在训练过程中动态调整，使它们在训练早期阶段更多地贡献于“表征学习”，在后期阶段更多地贡献于“重复预测去除”。以这种方式训练的检测器不仅能学习到强特征表示，还能执行端到端密集检测。在COCO和CrowdHuman数据集上的实验证明了o2f方案的有效性。代码可在 https://github.com/strongwolf/o2f 获取。
引用
@article{arxiv.2303.11567,
title = {One-to-Few Label Assignment for End-to-End Dense Detection},
author = {Shuai Li and Minghan Li and Ruihuang Li and Chenhang He and Lei Zhang},
journal= {arXiv preprint arXiv:2303.11567},
year = {2023}
}
备注
Accepted by CVPR2023