#今日论文推荐# Anchor-Free即插即用标签分配 | 平滑标签分配+动态IoU匹配解决标签分配不一致
Anchor-free
检测器基本上将目标检测表述为密集分类和回归。对于流行的Anchor-free
检测器,通常会引入一个单独的预测分支来估计定位的质量。当深入研究分类和质量估计的实践时,会观察到以下不一致之处。
- 首先,对于一些分配了完全不同标签的相邻样本,训练后的模型会产生相似的分类分数。这违反了训练目标并导致性能下降;
- 其次,发现具有较高置信度的检测框与相应的
Ground-truth
具有较小的重叠。
在非最大抑制 (NMS) 过程中,精确定位的边界框将被不太准确的边界框抑制。为了解决不一致问题,提出了动态平滑标签分配(DSLA)方法。基于FCOS
最初提出的中心性概念,提出了一种平滑分配策略。标签被平滑到 [0, 1] 中的连续值,以在正样本和负样本之间进行稳定的过渡。Intersection-of-Union
(IoU
) 在训练期间动态预测,并与平滑标签相结合。分配动态平滑标签以监督分类分支。在这样的监督下,质量估计分支自然地合并到分类分支中,这简化了Anchor-free
检测器的架构。在 MS COCO
基准上进行了综合实验。结果表明,DSLA
可以通过减轻上述Anchor-free
检测器的不一致性来显著提高检测精度。
论文题目:DSLA: Dynamic smooth label assignment for efficient anchor-free object detection
详细解读:https://www.aminer.cn/research_report/62ea21807cb68b460ffa9879https://www.aminer.cn/research_report/62ea21807cb68b460ffa9879
AMiner链接:https://www.aminer.cn/?f=cs