边界框尺寸置信度偏差损害你的目标检测器
计算机视觉与模式识别
2021-12-06 v1
摘要
无数应用依赖于现代目标检测器所给出的带有可靠置信度估计的准确预测。然而,众所周知,包括目标检测器在内的神经网络会产生未校准的置信度估计。近期研究甚至表明,检测器的置信度预测相对于目标尺寸和位置存在偏差,但此偏差如何影响受波及目标检测器的性能仍不清楚。我们形式化地证明了条件置信度偏差会损害目标检测器的期望性能,并通过实验验证了这些发现。具体而言,我们展示了如何修改直方图分箱校准,使其不仅避免性能受损,还能通过条件置信度校准提升性能。我们进一步发现,该置信度偏差也存在于检测器在训练数据上生成的检测结果中,我们利用这一点在不使用额外数据的情况下进行去偏。此外,测试时增强放大了此偏差,从而带来更大的校准方法性能增益。最后,我们在多种目标检测架构上验证了发现,并在无额外数据或训练的情况下实现了最高 0.6 mAP 和 0.8 mAP50 的提升。
引用
@article{arxiv.2112.01901,
title = {The Box Size Confidence Bias Harms Your Object Detector},
author = {Johannes Gilg and Torben Teepe and Fabian Herzog and Gerhard Rigoll},
journal= {arXiv preprint arXiv:2112.01901},
year = {2021}
}