Progressive Hard-case Mining across Pyramid Levels in Object Detection

论文地址：https://arxiv.org/abs/2109.07217

摘要

在物体检测中，多级预测（例如 FPN、YOLO）和重采样技巧（例如焦点损失、ATSS）极大地提高了单级检测器的性能。然而，如何通过逐级优化特征金字塔来提高性能仍然有待探索。我们发现，在训练期间，正样本与负样本的比率在金字塔级别（级别不平衡）之间变化，当前的单级检测器无法解决这一问题。为了调解级别不平衡的影响，我们提出了一个统一的多级优化范式（UMOP），它由两个部分组成：1）独立的分类损失监督每个金字塔级别，并考虑单独的重采样； 2) 渐进式硬案例挖掘损失定义了金字塔级别的所有损失，无需额外的级别设置。使用 UMOP 作为即插即用方案，现代单级检测器可以通过更少的训练迭代和没有额外的计算开销实现 ~ 1.5AP 的改进。我们最好的模型在 COCO test-dev 上实现了 55.1 AP。代码可在 https://github.com/zimoqingfeng/UMOP 获得 .

1、引言

一级目标检测器在实际应用中很受欢迎，因为与多级检测器相比，它们具有更高的效率和更低的计算成本（Zou 等人，2019 年）。最近，一级检测器逐渐赶上多级检测器࿰

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/120506747