CP-Cluster:Confidence Propagation Cluster: Unleash Full Potential of Object Detectors

本文提出了CP-Cluster,一种替代NMS的并行聚类框架,用于目标检测的后处理。CP-Cluster通过迭代方式调整边界框的置信度,增强真正结果并抑制冗余,提高检测精度。它适用于多种主流检测器,无需重新训练,并在精度上优于NMS方法。实验表明,CP-Cluster在多个检测器上实现了性能提升。
摘要由CSDN通过智能技术生成

Confidence Propagation Cluster: Unleash Full Potential of Object Detectors

paper:https://arxiv.org/abs/2112.00342
code:https://github.com/shenyi0220/CP-Cluster

摘要

大多数目标检测方法都是通过NMS及其改进版本Soft-NMS来去除冗余边界框来获取对象。本文提出了三个方面来挑战这些后处理方法:

  1. 具有最高置信度的边界框可能不是与gt重叠最大的真正结果
  2. 不仅需要对冗余框进行抑制,而且还需要对那些真正的正值进行置信度增强
  3. 按照置信度排序后只能根据排序顺序来进行计算,无法并行

本文提出了置信传播聚类来取代基于NMS的方法,具有并行性和更好的精度。在CP-Cluster中,以迭代的方式惩罚冗余框并增强真正的结果,直到收敛。可以应用于各种主流检测器,如FasterRCNN、SSD、FCOS、YOLOv3、YOLOv5、Centernet等,验证了CP-Cluster的有效性。在即插即用,不重新训练检测器的情况下,能够得到精度提升。

介绍

为了克服基于NMS方法的不足,CP-Cluster经过精心设计,采用了以下策略:

  1. 充分利用候选框之间的关系,在候选框之间传播消息以调整其置信度
  2. 进一步最大化正样本和冗余框之间的之心区间,置信传播将迭代多次
  3. 实现完全并行,消息传播被限制在相邻的候选框内,每个候选框能独立地更新

本文的贡献如下:

  1. 提出了一种完全并行聚类框架(CP-Cluster),适用于所有需要后处理的目标检测器,并且这中新的聚类框架在精度上优于基于NMS的方法
  2. 将CP-Cluster应用于各种主流检测器,无需对其进行训练,所有主流检测器都得到了提升
  3. 一些无NMS的检测器也可以通过该集群框架得到显著提升

相关工作

两阶段目标检测

一阶段目标检测

简化检测器

NMS

标题

置信度传播聚类

将box聚类任务转化为一个图模型问题,最大化真实位置和冗余盒子之间的置信区间。
在这里插入图片描述
为了描述预测边界框之间的相邻关系,根据IOU创建它们之间的连接,并推广到马尔可夫随机场中,根据设置IOU阈值生成图集。
在这里插入图片描述

在这里插入图片描述Mp利用弱侧信息更新强侧置信度
Mn利用强测信息更新弱侧置信度

Mp使用弱侧增强

在这里插入图片描述边界框增强主要受两个因素的影响:

  1. 其较弱朋友的数量,这些朋友表示更强的增强动机。
  2. 弱侧信息的置信。因为更多具有高置信值的朋友是证明盒子本身为真正的证据。在尝试了许多选项后,证明了较弱朋友的最大置信值最有效。
    在这里插入图片描述

Mn使用强侧抑制

在这里插入图片描述
在这里插入图片描述
要么IOU最大,要么置信度最高,由Alpha决定

实验

yolov5不同超参的精度
iter 迭代次数
λ IOU阈值增量
θ 选择弱侧阈值
ζ 强侧抑制次数
在这里插入图片描述在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

结论

提出了一种新的基于图模型的边界框聚类框架(CP-Cluster),完全可并行,可以作为所有目标检测器的一般后处理步骤,取代传统的基于NMS方法。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值