用于缓解不平衡的残差目标性机制
计算机视觉与模式识别
2019-08-27 v1
摘要
长期以来，目标检测器一直深受前景与背景极度不平衡的困扰。尽管已有若干采样/重加权方案被探索以缓解该不平衡，但它们通常是启发式的，且需要繁琐的超参数调优，难以达到最优。本文中，我们首先揭示这种不平衡可以以基于学习的方式加以解决。受这一启发性观察的引导，我们提出一种新颖的残差目标性（Residual Objectness, ResObj）机制，通过端到端优化来解决不平衡问题，而无需进一步的手工采样/重加权。具体而言，通过应用多个带有残差连接的与目标性相关的级联模块，我们构建了一个优雅的连续细化过程以区分前景与背景，从而逐步解决不平衡。大量实验表明了我们的方法的有效性，以及其对基于区域和单阶段检测器的兼容性与适应性：即 RetinaNet-ResObj、YOLOv3-ResObj 和 FasterRCNN-ResObj 在 COCO 上相比其原始模型分别实现了 3.6%、3.9%、3.2% 的平均精度（Average Precision, AP）相对提升。
引用
@article{arxiv.1908.09075,
title = {Residual Objectness for Imbalance Reduction},
author = {Joya Chen and Dong Liu and Bin Luo and Xuezheng Peng and Tong Xu and Enhong Chen},
journal= {arXiv preprint arXiv:1908.09075},
year = {2019}
}
备注
Tech report