选择可学习训练样本即为拥挤行人检测中DETRs所需的一切
计算机视觉与模式识别
2023-05-19 v1
摘要
DEtection TRansformer（DETR）及其变体（DETRs）在通用目标检测中取得了令人印象深刻的性能。然而，在拥挤行人检测中，由于不适当的样本选择方法导致更多误检，DETRs的性能仍不尽如人意。为解决该问题，我们为DETRs提出了一种简单而有效的样本选择方法，即拥挤行人样本选择（SSCP），其由约束引导的标签分配方案（CGLA）和可用性感知焦点损失（UAFL）组成。我们的核心思想是为DETRs选择可学习样本，并根据其可用性自适应调节样本的损失权重。具体而言，在CGLA中，我们提出了一种新的代价函数，以确保仅保留可学习的正训练样本，其余为负训练样本。进一步，考虑到样本的可用性，我们设计了UAFL，根据可学习正样本的梯度比和IoU自适应分配不同的损失权重。实验结果表明，所提出的SSCP在不引入任何推理开销的情况下有效提升了基线。特别地，Iter Deformable DETR在Crowdhuman上提升至39.7(-2.0)% MR，在Citypersons上提升至31.8(-0.4)% MR。
引用
@article{arxiv.2305.10801,
title = {Selecting Learnable Training Samples is All DETRs Need in Crowded Pedestrian Detection},
author = {Feng Gao and Jiaxu Leng and Gan Ji and Xinbo Gao},
journal= {arXiv preprint arXiv:2305.10801},
year = {2023}
}