即插即用&无痛涨点的UMOP：在目标检测被“遗忘”领域进行探索

以下是AMiner今日推荐论文详细内容介绍：
论文名称：Progressive Hard-case Mining across Pyramid Levels in Object Detection
论文链接：
https://www.aminer.cn/pub/6142b6135244ab9dcbc97c10?f=cs
在目标检测领域，多级预测(比如FPN、YOLO)与重采样技术(如Focal Loss、ATSS)极大的提升了一阶段检测器性能。然而，如何通过逐级优化特征金字塔提升性能尚未进行探索。我们发现：在训练过程中，不同金字塔层级的正负样例比例是不同的，即存在Level Imbalance，而这尚未被一阶段检测器解决。
为缓解Level Imbalance影响，本文提出一种UMOP(Unified Multi-level Optimization Paradigm)，它包含两个成分：
1、基于不同层级目标重采样考量，对每个层级特征添加独立分类损失进行监督
2、提出一种跨金字塔层级的难例挖掘损失，且不会引入额外的层级相关设置
基于所提即插即用UMOP机制，现有一阶段检测可以用更少的训练迭代次数取得~1.5AP指标提升，且不会导致额外的计算负担。所得最佳模型在COCO test-dev数据集上取得了55.1AP指标。
本文主要有以下三点贡献：
（1）本文首次证实：FPN性能在某种程度上会受到Level Imbalanced影响；
（2）集成与所提UMOP，现有一阶段检测器可以用更少的训练迭代次数取得~1.5AP指标提升，且不会导致额外的计算负担；
（3）在COCO test-dev数据集上，最佳模型取得了截至目前最高的55.1AP指标(一阶段检测器)。
AMiner,让AI帮你理解科学！