端到端目标检测的关键因素是什么？
计算机视觉与模式识别
2021-07-13 v2
摘要
目标检测近期取得突破，去除了流程中最后一个不可微组件——非极大值抑制（NMS），并建立了端到端系统。然而，其一对一预测的原因尚未被充分理解。本文中，我们首先指出一对一正样本分配是关键因素，而先前检测器中的一对多分配导致推理中的冗余预测。其次，我们惊讶地发现，即使使用一对一分配训练，先前的检测器仍产生冗余预测。我们确认匹配代价中的分类代价是主要因素：（1）先前检测器仅考虑位置代价，（2）通过额外引入分类代价，先前检测器在推理时立即产生一对一预测。我们引入分数间隙概念来探究匹配代价的影响。分类代价通过选择在训练迭代中分数最高的样本作为正样本，并减少仅由位置代价带来的噪声正样本，从而扩大分数间隙。最后，我们展示了端到端目标检测在拥挤场景下的优势。代码见：\url{https://github.com/PeizeSun/OneNet}。
引用
@article{arxiv.2012.05780,
title = {What Makes for End-to-End Object Detection?},
author = {Peize Sun and Yi Jiang and Enze Xie and Wenqi Shao and Zehuan Yuan and Changhu Wang and Ping Luo},
journal= {arXiv preprint arXiv:2012.05780},
year = {2021}
}
备注
ICML version