重新思考密集目标检测中的错位问题
计算机视觉与模式识别
2022-05-03 v5
摘要
目标检测旨在定位并分类给定图像中的物体,而这两项任务对不同的物体区域敏感。因此,某些位置预测出高质量边界框却分类得分低,而某些位置则恰恰相反。两项任务之间存在错位,且其特征在空间上相互纠缠。为解决错位问题,我们提出一种即插即用的空间解耦与任务对齐算子(SALT)。通过预测位于各任务敏感区域中的两组任务感知点集,SALT 能够重新分配来自这些区域的特征并将其对齐到相应的锚点。因此,两项任务的特征在空间上得以对齐与解耦。为最小化两个回归阶段之间的差异,我们提出一种自蒸馏回归(SDR)损失,可将知识从精炼回归结果迁移至粗回归结果。基于 SALT 和 SDR 损失,我们提出 SALT-Net,其显式利用任务对齐的点集特征以获得准确的检测结果。在 MS-COCO 数据集上的大量实验表明,我们所提方法能持续将不同最先进的密集检测器提升约 2 AP。值得注意的是,采用 Res2Net-101-DCN 骨干的 SALT-Net 在 MS-COCO test-dev 上取得了 53.8 AP。
引用
@article{arxiv.2108.12176,
title = {Rethinking the Misalignment Problem in Dense Object Detection},
author = {Yang Yang and Min Li and Bo Meng and Junxing Ren and Degang Sun and Zihao Huang},
journal= {arXiv preprint arXiv:2108.12176},
year = {2022}
}