摘要

我们开发了两阶段目标检测的概率解释。 我们表明，这种概率解释激发了许多常见的经验培训实践。 它还建议更改两阶段检测管道。 具体来说，第一阶段应该推断适当的对象与背景可能性，然后应该告知检测器的总体分数。 标准区域提议网络 (RPN) 不能很好地推断出这种可能性，但许多单级检测器可以。 我们展示了如何从任何最先进的单级检测器构建概率两级检测器。 由此产生的检测器比其一级和二级前驱体更快、更准确。 我们的检测器在 COCO test-dev 上通过单尺度测试实现了 56.4 mAP，优于所有已发布的结果。 使用轻量级主干，我们的检测器在 Titan Xp 上以 33 fps 的速度在 COCO 上实现了 49.2 mAP，优于流行的 YOLOv4 模型 。

1、简介

对象检测旨在找到图像中的所有对象并识别它们的位置和类别可能性（Girshick 等，2014）。 一级检测器在概率合理的框架中联合推断位置和类别可能性（Lin 等人，2017b；Liu 等人，2016 年；Redmon 和 Farhadi，2017 年）。 他们经过训练以最大化带注释的真实对象的对数似然，并在推理时预测适当的似然分数。 两阶段检测器首先找到潜在对象及其位置（Uijlings 等人，2013 年；Zitnick &Dollar´，2014 年；Ren 等人，2015 年），然后（在第二阶段）对这些潜在对象进行分类。 第一阶段旨在最大化召回率（Ren 等人，2015 年；He 等人，2017 年；Cai 和 Vasconcelos，2018 年），而第二阶段最大化第

文章来源: wanghao.blog.csdn.net，作者：AI浩，版权归原作者所有，如需转载，请联系作者。

原文链接：wanghao.blog.csdn.net/article/details/120464708