具有修正 IoU 损失的单阶段双叉检测器
计算机视觉与模式识别
2020-08-11 v1
摘要
在基于 CNN 的目标检测器中，特征金字塔被广泛用于缓解目标实例间尺度变化的问题。这些通过自顶向下路径与横向连接增强特征的检测器主要旨在丰富低层特征的语义信息，却忽略了高层特征的增强。这会导致不同层级特征间的不平衡，尤其是高层特征中细节信息的严重缺失，使得难以获得准确的边界框。本文中，我们引入一种新颖的双叉转导思想，以在反向与正向两个方向上探索不同层间的关系，从而同时丰富低层特征的语义信息和高层特征的细节信息。在该双叉思想指导下，我们提出双叉网络（TPNet）以实现高层特征与低层特征间的双向传递，有助于准确检测不同尺度目标。此外，由于单阶段检测器中难样本与易样本的分布不平衡，定位损失的梯度总是由定位精度差的难样本主导，这将使模型偏向难样本。因此在我们的 TPNet 中，提出一种基于自适应 IoU 的定位损失，称为修正 IoU（RIoU）损失，以修正各类样本的梯度。修正 IoU 损失增大高 IoU 样本的梯度同时抑制低 IoU 样本的梯度，从而提升模型整体定位精度。大量实验证明了我们的 TPNet 与 RIoU 损失的优越性。
引用
@article{arxiv.2008.03511,
title = {Single-Shot Two-Pronged Detector with Rectified IoU Loss},
author = {Keyang Wang and Lei Zhang},
journal= {arXiv preprint arXiv:2008.03511},
year = {2020}
}
备注
Accepted by ACM MM 2020