&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