调和预测一致性以实现平衡的目标检测

分类和回归是目标检测器的两大支柱。在大多数基于CNN的检测器中，这两个支柱是独立优化的。由于它们之间没有直接的交互，分类损失和回归损失在训练阶段无法同步地朝着最优方向优化。这显然导致在推理阶段出现大量不一致的预测，即分类得分高但定位精度低，或分类得分低但定位精度高，尤其对于形状不规则和遮挡的目标，这在NMS后严重损害了现有检测器的检测性能。为了调和预测一致性以实现平衡的目标检测，我们提出了一种Harmonic loss来协调分类分支和定位分支的优化。Harmonic loss使这两个分支在训练期间能够相互监督和促进，从而在推理阶段产生具有高分类和定位同时最优的一致预测。此外，为了防止定位损失在训练阶段被离群点主导，我们提出了一种Harmonic IoU loss来协调不同IoU级别样本的定位损失权重。在基准数据集PASCAL VOC和MS COCO上的综合实验证明了我们的模型在促进现有目标检测器达到最先进精度方面的通用性和有效性。