【目标检测】|GFLV2 Localization Quality Estimation (LQE)定位质量估计

CVPR2021

问题提出

边界框的不确定性

问题分析

边界框分布被引入为“一般分布”，其中它学习每个预测边的离散概率分布（图1（a）），用于描述边界框回归的不确定性。有趣的是，我们观察到一般分布的统计数据与其实际定位质量有很强的相关性，

（b） ：基于GFLV1模型，在COCO【22】数据集的所有验证图像上计算预测框的一般分布的Top-1（四边平均值）值与其实际定位质量（预测与地面真实值之间的IoU）之间的关系散点图。
整个散点图还是有一个明显地倾向于y=x的趋势的,也就是说，在统计意义上，我们此前观察得出的“分布的形状与真实的定位质量具有较强的相关性”这个假设是基本成立的。
基于这个分析，决定采用学习到的分布的形状来帮助（协助指导）定位质量估计，从而提升检测的整体性能。

该文方法

我们采用了一个非常简单的做法，就是直接取我们学习到的分布（分布是用离散化的多个和为1的回归数值表示的，详情参考GFLV1）的Topk数值。
因为所有数值和为1，如果分布非常尖锐的话，Topk这几个数通常就会很大；反之Topk就会比较小。选择Topk还有一个重要的原因就是它可以使得我们的特征与对象的scale尽可能无关，如下图所示

实验

创新点

用学习到的分布的统计特征去指导质量估计