【论文笔记】：Mutual Supervision for Dense Object Detection

&Title

• Mutual Supervision for Dense Object Detection
• ICCV2021
• 代码

&Summary

作者打破了密集检测器中这两个头的训练样本相同的惯例，探索了一种新的监督范式，即相互监督(MuSu)，分别并相互分配分类和回归头的训练样本以确保这种一致性。
MuSu主要根据分类预测分数定义回归头的训练样本，然后根据回归头的定位分数定义分类头的样本。
实验结果表明，这种相互监督的方法保证了检测器的收敛性，并在具有挑战性的MS COCO基准上验证了该方法的有效性。

分类头和回归头是构建密集目标检测器不可缺少的组成部分，通常由相同的训练样本监督，以便在检测管道中准确检测目标。

MuSu的特点

• 通过训练阶段的相互分配，迫使这两个head保持一致。
• MuSu具有从网络本身自适应产生的训练样本的优点，避免了专家知识手工制作的训练样本。
• MuSu不需要任何手工的几何学先验，也不需要对不同层次的金字塔进行精细的处理。

从这个意义上说，MuSu在完全自适应样本分配方面迈出了一大步，更全面地释放了探测器的能力

&Problem Statement

训练图像的最大分类评分和目标最准确的定位框经常出现在不同的位置
检测器应该确保在对象的最大分类和定位分数出现的地方具有空间一致性。</