TOOD：任务对齐的单阶段目标检测
计算机视觉与模式识别
2021-08-31 v3
摘要
单阶段目标检测通常通过优化两个子任务来实现：目标分类与定位，使用具有两个并行分支的头部，这可能导致两个任务在预测上存在一定程度的空间错位。在本工作中，我们提出一种任务对齐的单阶段目标检测（TOOD），以基于学习的方式显式对齐这两个任务。首先，我们设计了一种新颖的任务对齐头部（T-Head），其在学习任务交互与任务特定特征之间提供了更好的平衡，以及通过任务对齐预测器学习对齐的更大灵活性。其次，我们提出任务对齐学习（TAL），通过所设计的样本分配方案和任务对齐损失，在训练期间显式拉近（甚至统一）两个任务的最优锚点。在 MS-COCO 上进行了大量实验，其中 TOOD 在单模型单尺度测试下达到 51.1 AP。这大幅超越了近期单阶段检测器，如 ATSS（47.7 AP）、GFL（48.2 AP）和 PAA（49.0 AP），且参数量和 FLOPs 更少。定性结果也证明了 TOOD 在更好对齐目标分类与定位任务方面的有效性。代码见 https://github.com/fcjian/TOOD。
引用
@article{arxiv.2108.07755,
title = {TOOD: Task-aligned One-stage Object Detection},
author = {Chengjian Feng and Yujie Zhong and Yu Gao and Matthew R. Scott and Weilin Huang},
journal= {arXiv preprint arXiv:2108.07755},
year = {2021}
}
备注
ICCV2021 Oral