面向目标检测跨金字塔层的渐进难例挖掘
计算机视觉与模式识别
2022-03-31 v2
摘要
在目标检测中，多级预测（如FPN）与重加权技巧（如focal loss）已大幅提升了单阶段检测器的性能。然而，这两种技术在统一框架下的协同作用尚未被充分探索。我们发现，在训练过程中，单阶段检测器的优化不仅受限于静态难例挖掘损失（梯度漂移），还受制于不同金字塔层划分出的正样本比例差异（层级差异）。鉴于此，我们提出层次化渐进聚焦（HPF），包含两个关键设计：1）渐进聚焦，一种依据收敛进度自适应计算的更灵活难例挖掘设置；2）层次化采样，自动生成一组渐进聚焦以用于层级特定的目标优化。基于带ATSS-R50的focal loss，我们的方法取得40.5 AP，超越了SOTA的QFL（Quality Focal Loss，39.9 AP）与VFL（Varifocal Loss，40.1 AP）。我们的最佳模型在COCO test-dev上取得55.1 AP，仅以典型训练设置即获得优异结果。此外，作为即插即用方案，HPF能与近期进展良好协作，在九种主流检测器上提供稳定的性能提升。
引用
@article{arxiv.2109.07217,
title = {Progressive Hard-case Mining across Pyramid Levels for Object Detection},
author = {Binghong Wu and Yehui Yang and Dalu Yang and Junde Wu and Xiaorong Wang and Haifeng Huang and Lei Wang and Yanwu Xu},
journal= {arXiv preprint arXiv:2109.07217},
year = {2022}
}