交叠取并：超越赢者通吃的物体检测

本文重新审视物体检测架构中预测边界框位置的问题。通常，每个边界框提议或边界框查询都旨在直接与真实框的交并比得分最大化，随后采用赢者通吃的非极大值抑制，仅保留每个区域中得分最高的边界框。我们观察到这两个步骤都是次优的：第一步涉及将提议回归到整个真实框，即使具有大感受野这也是一项困难的任务；第二步忽视了除最优候选外其他边界框中的有价值信息。我们提出一种更简单的方案：不将提议回归到整个真实框，而仅回归到提议与真实框之间交集的区域。这避免了提议在其视觉范围之外进行外推的需要，从而提高了定位精度。我们未采用赢者通吃策略，而是对区域内所有边界框回归得到的交集取并，以生成最终边界框输出。我们的即插即用方法以最小修改无缝集成到基于提议、基于网格和基于查询的检测架构中，持续改善了物体定位与实例分割。我们展示了其在各种检测与分割任务中的广泛适用性与通用性。