单阶段无锚框目标检测中以最小代价实现最小错位
计算机视觉与模式识别
2022-07-07 v3
摘要
常见的目标检测模型由分类和回归分支组成，由于任务驱动不同，这两个分支对同一尺度层级和同一空间位置的特征具有不同的敏感性。基于高分类置信度点具有高回归质量这一假设的基于点的预测方法，导致了错位问题。我们的分析表明，该问题具体由尺度错位和空间错位构成。我们旨在以最小代价解决该现象：对头部网络进行微小调整，并采用一种新的标签分配方法替代原有的刚性方法。实验表明，与基线 FCOS（一种单阶段无锚框目标检测模型）相比，我们的模型在不同骨干网络下一致获得约 3 AP 的提升，证明了方法的简洁与高效。
引用
@article{arxiv.2112.08902,
title = {Toward Minimal Misalignment at Minimal Cost in One-Stage and Anchor-Free Object Detection},
author = {Shuaizheng Hao and Hongzhe Liu and Ningwei Wang and Cheng Xu},
journal= {arXiv preprint arXiv:2112.08902},
year = {2022}
}
备注
The paper is under consideration at Pattern Recognition Letters