目标检测中的简单训练策略与模型缩放
计算机视觉与模式识别
2021-07-02 v1 人工智能
摘要
目标检测系统的速度-精度帕累托曲线通过更优的模型架构、训练和推理方法的结合而不断前进。本文中,我们有条理地评估了多种此类技术,以理解现代检测系统的大部分改进来自何处。我们在带有RetinaNet和RCNN检测器的原始ResNet-FPN骨干上对这些改进进行基准测试。原始检测器的精度提升了7.7%,同时速度加快了30%。我们进一步提供简单的缩放策略,生成构成两条帕累托曲线的模型族,命名为RetinaNet-RS和Cascade RCNN-RS。这些简单的重缩放检测器探索了一阶段RetinaNet检测器与两阶段RCNN检测器之间的速度-精度权衡。我们最大的Cascade RCNN-RS模型在ResNet152-FPN骨干下达到52.9% AP,在SpineNet143L骨干下达到53.6% AP。最后,我们展示了带有三处微小架构改变的ResNet架构,作为目标检测和实例分割系统的骨干优于EfficientNet。
引用
@article{arxiv.2107.00057,
title = {Simple Training Strategies and Model Scaling for Object Detection},
author = {Xianzhi Du and Barret Zoph and Wei-Chih Hung and Tsung-Yi Lin},
journal= {arXiv preprint arXiv:2107.00057},
year = {2021}
}
备注
8 pages