&Title
&Summary
Dynamic R-CNN是R-CNN系列算法,即两阶段目标检测算法;动态性其实体现在在训练目标检测模型过程中使用动态训练的策略。前面介绍过的Cascade RCNN也可以看作是一种动态训练方法,它在训练过程中不断调整交并比阈值的大小以提高候选框的质量。而论文在训练过程中不仅关注了交并比阈值的动态设置,也在自适应地调整回归损失的形式。实验结果为在MO COCO数据集上相比于SOTA方法的AP提高了1.7%。
论文贡献:
- 基于目标检测的训练特征,指出基于样本分布的变化而动态调整训练的策略;
- 提出DLA和DSL的训练方法,仅通过引入两个变量就可以实现;
- 引入该方法在提高模型性能的同时不会降低其速度。
&Research Objective
根据训练期间提议的统计信息自动调整标签分配标准(IoU阈值)和回归损失函数的形状(SmoothL1 Loss的参数)
&Problem Statement
作者首先指出固定网络设置和动态训练过程之间的不一致问题,这会极大地影响性能。例如,固定标签分配策略和回归损失函数无法适应proposal的分布变化,因此不利于训练高质量的检测器。
为了解决这个问题,作者首先研究一个被忽略的事实,即提案的质量确实比训练过程有所提高,如下图所示。我们可以发现,即使在不同的IoU阈值下,阳性样本的数量仍然显著增加。
- 在分类器训练中如何为提案分配正负标签并不清楚,因为它们的分离可能是模糊的。最广泛使用的策略是为提案和对应的地真值的I