SWA 目标检测
计算机视觉与模式识别
2021-03-15 v3
摘要
你是否想在不增加任何推理成本、不改变检测器的情况下为你的目标检测器提升 1.0 AP？让我们告诉你这样一个秘方。它出奇地简单：使用循环学习率额外训练你的检测器 12 个 epoch，然后将这 12 个检查点平均作为你最终的检测模型。这一强力秘方受随机权重平均（Stochastic Weights Averaging, SWA）启发，后者在 arXiv:1803.05407 中提出用于提升深度神经网络的泛化能力。我们发现它在目标检测中同样非常有效。在本技术报告中，我们系统地研究了将 SWA 应用于目标检测以及实例分割的效果。通过大量实验，我们发现了上述在目标检测中可行的 SWA 执行策略，并在具有挑战性的 COCO 基准上针对各种流行检测器（包括 Mask RCNN、Faster RCNN、RetinaNet、FCOS、YOLOv3 和 VFNet）一致地实现了约 1.0 AP 的提升。我们希望本工作能让更多目标检测领域的研究者了解该技术并帮助他们训练更好的目标检测器。代码见：https://github.com/hyz-xmaster/swa_object_detection。
引用
@article{arxiv.2012.12645,
title = {SWA Object Detection},
author = {Haoyang Zhang and Ying Wang and Feras Dayoub and Niko Sünderhauf},
journal= {arXiv preprint arXiv:2012.12645},
year = {2021}
}
备注
9 pages; polished