基于 IoU 预测的概率化锚框分配目标检测方法
计算机视觉与模式识别
2020-09-08 v2
摘要
在目标检测中，确定将哪些锚框分配为正或负样本（称为锚框分配）已被揭示为能显著影响模型性能的核心步骤。本文提出一种新颖的锚框分配策略，其根据模型学习状态自适应地将锚框分离为某真实边界框的正、负样本，从而能以概率方式推理该分离。为此，我们首先计算以模型为条件的锚框得分，并拟合这些得分的概率分布。随后模型以按概率分离为正、负样本的锚框进行训练。此外，我们考察训练与测试目标间的差距，并提出预测检测框的交并比（Intersection-over-Union）作为定位质量的度量以减小差异。分类与定位质量联合得分作为非极大抑制中的框选择度量，与所提锚框分配策略良好对齐并带来显著性能提升。所提方法仅向 RetinaNet 基线添加单个卷积层且不需每位置多个锚框，因而高效。实验结果验证了所提方法的有效性。特别地，我们的模型以多种骨干网络在 MS COCO test-dev 数据集上创下单阶段检测器的新纪录。代码见 https://github.com/kkhoot/PAA。
引用
@article{arxiv.2007.08103,
title = {Probabilistic Anchor Assignment with IoU Prediction for Object Detection},
author = {Kang Kim and Hee Seok Lee},
journal= {arXiv preprint arXiv:2007.08103},
year = {2020}
}
备注
ECCV 2020