检测中解耦分类和回归任务(商汤)
【摘要】 Revisiting the Sibling Head in Object Detector读书笔记 这篇论文是商汤发表的,主要内容是解决在检测任务的过程中,分类和回归这两个任务在最后生成结果的时候耦合度太高,造成有的图片框的很准但是由于得分偏低,在nms的过程中被杀掉。本质是由于分类和回归是两个任务,分类更偏重于这个图片内容是什么,而回归更偏重于这个物体在哪里。作者的方法就是学习...
Revisiting the Sibling Head in Object Detector读书笔记
这篇论文是商汤发表的,主要内容是解决在检测任务的过程中,分类和回归这两个任务在最后生成结果的时候耦合度太高,造成有的图片框的很准但是由于得分偏低,在nms的过程中被杀掉。本质是由于分类和回归是两个任务,分类更偏重于这个图片内容是什么,而回归更偏重于这个物体在哪里。作者的方法就是学习proposal的两个偏移,一个是内容上的偏移,一个是位置上的偏移,有点像可变形的roipooling,具体的做法就是把proposal做几个全连接,生成w和h维度的偏移,最后再加到原proposal上,同时加了loss来监督训练(就是作者说的PC)。下图是它的整体算法框架。
Table1说明了在没有PC的情况下虽然点数涨了2.1,但是参数量也涨了17.1M感觉有点鸡肋,这也说明关键还是要靠PC来监督它偏移的学习。
Table5和6说明对大网络大模型和一些比较先进的检测手段都有增益,吃点情况不会很严重。
Table7表明对分割也有一定的效果,但不如检测明显。
Figure6和Table9表明对稿IOU,中等和较大物体收益比较大。
【版权声明】本文为华为云社区用户原创内容,转载时必须标注文章的来源(华为云社区)、文章链接、文章作者等基本信息, 否则作者和本社区有权追究责任。如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱:
cloudbbs@huaweicloud.com
- 点赞
- 收藏
- 关注作者
评论(0)