&Title
&Summary
在训练过程中,负责识别区域提议网络生成的提议的阶段始终会采用采样启发式方法(例如OHEM,IoU平衡采样)来选择部分示例。 但是如今,现有的采样器忽略了示例之间的重叠,这可能导致保留了一些低质量的预测。
为了缓解该问题,我们建议使用“重叠采样器”,该示例根据示例之间的重叠来选择示例,从而使培训可以将重点放在重要示例上。
Results:
得益于此,Faster R-CNN可以在具有挑战性的COCO基准上获得令人印象深刻的平均精度(AP)高1.5点,这是现有的基于区域检测器的采样器的最新结果。 此外,提出的采样器还为实例分割任务带来了很大的改进。
我们的分析表明,重叠采样器可以比其他基于IoU的采样器实现更高的准确性上限,因为它有助于训练将重点更多地放在那些高度重叠的案例上。 因此,具有重叠采样器的检测器将倾向于保留来自多个候选建议的相对高质量的结果。
Contributions
- 通过对基于IoU的采样启发式方法的仔细研究,我们发现示例之间的重叠对检测精度有巨大影响。
- 为此,我们提出了“重叠采样器”以改进基于区域的检测器,该检测器根据示例之间的重叠选择训练样本。
- 大量实验表明,重叠采样器比现有的采样启发法更有效。 它没有任何风吹草动,分别提高了1.5 bbox AP和0.8 mask AP,以在具有挑战性的COCO基准测试中分别实现Faster R-CNN和Mask R-CNN