【目标检测】论文笔记 CVPR2019

最新推荐文章于 2023-08-05 15:17:18 发布

咖喱星

最新推荐文章于 2023-08-05 15:17:18 发布

阅读量198

点赞数

分类专栏：深度学习

本文链接：https://blog.csdn.net/m0_46651960/article/details/108145424

版权

深度学习专栏收录该内容

10 篇文章 0 订阅

订阅专栏

目标检测经典数据集

Bounding Box Regression with Uncertainty for Accurate Object Detection

非极大抑制（non-maximun suppression，NMS）
本文目的：提出一种新颖的 $bounding\ box\ regression\ loss$ , for learning bounding box transformation and localization variance。
数据集：ImageNet，MS-COCO，CrowdHuman
对象检测器：Faster R-CNN，Cascade R-CNN，Mask R-CNN
KL Loss使用的三个好处：
- 可以成功捕获数据集中的歧义。边界框回归器从模糊边界框中获得的损失较小。
- 学习到的方差在后处理期间是有用的。建议使用方差投票（variance voting），使用非极大抑制（NMS）期间通过预测方法加权的相邻方盒位置对候选方框的位置进行投票。
- 获得的概率分布是可解释的。由于它反映了边界预测的不确定性水平，因此可能对down-stream application应用（自动驾驶汽车和机器人技术）有所帮助。

第二点原文：We propose var voting (variance voting) to vote the location of a candidate box using its neighbors’ locations weighted by the predicted variances during nonmaximum suppression (NMS).