目标检测中的首要样本注意力机制
计算机视觉与模式识别
2019-09-17 v2
摘要
在目标检测框架中，平等对待所有样本并以平均性能最大化为目标是一种常见范式。在这项工作中，我们通过仔细研究不同样本对以 mAP 衡量的整体性能的贡献，重新审视了这一范式。我们的研究表明，每个 mini-batch 中的样本既非独立也非同等重要，因此平均上更好的分类器未必意味着更高的 mAP。受此研究启发，我们提出了首要样本（Prime Samples）的概念，即那些在驱动检测性能中起关键作用的样本。我们进一步开发了一种简单而有效的采样与学习策略，称为首要样本注意力（PrIme Sample Attention, PISA），将训练过程的焦点导向此类样本。我们的实验表明，在训练检测器时，关注首要样本通常比关注困难样本更有效。特别是在 MSCOCO 数据集上，PISA 在单阶段和两阶段检测器上均稳定地以约 2% 的优势超越随机采样基线以及困难挖掘方案（如 OHEM 和 Focal Loss），即便使用强骨干网络 ResNeXt-101。
引用
@article{arxiv.1904.04821,
title = {Prime Sample Attention in Object Detection},
author = {Yuhang Cao and Kai Chen and Chen Change Loy and Dahua Lin},
journal= {arXiv preprint arXiv:1904.04821},
year = {2019}
}