RMOPP：用于高效目标检测的鲁棒多目标后处理
计算机视觉与模式识别
2021-02-10 v1 机器学习
摘要
过去几十年中，许多利用神经网络力量以近实时方式检测物体的架构被开发出来。训练此类系统需要在多块 GPU 上耗费大量时间以及海量标注训练数据集。尽管这些系统的目标是泛化能力，但由于灵活性、鲁棒性或速度问题，它们在现实应用中往往不切实际。本文提出 RMOPP：一种鲁棒多目标后处理算法，能以对其速度可忽略的影响提升快速预训练目标检测器的性能。具体而言，RMOPP 是一种统计驱动的后处理算法，可同时优化精确率和召回率。RMOPP 的一个独特特征是帕累托前沿，其识别出在精确率和召回率上均可优化的主导可能后处理检测器。RMOPP 挖掘预训练目标检测器的全部潜力，并可部署用于近实时预测。我们还使用 MS-COCO 数据集在 YOLOv2 上提供了一个有说服力的测试用例。
引用
@article{arxiv.2102.04582,
title = {RMOPP: Robust Multi-Objective Post-Processing for Effective Object Detection},
author = {Mayuresh Savargaonkar and Abdallah Chehade and Samir Rawashdeh},
journal= {arXiv preprint arXiv:2102.04582},
year = {2021}
}