KL loss：Bounding Box Regression with Uncertainty for Accurate Object Detection解读

Bounding Box Regression with Uncertainty for Accurate Object Detection

(CVPR2019, 旷视)

该论文是旷视2019年提出的，主要是使目标边框更加清晰，提升定位精度，提出了一种新的边界框回归损失，同时完成边界框变换和定位差异。在目标检测数据集中，ground-truth边界框在一些情况下存在固有的不确定性。 如下图所示，目标框(a)(c)标注不确定性，(b) 遮挡带来不确定性。(d) 目标自身边界是不确定的。由于树的遮挡，火车的左边界是不清晰的。大尺度目标检测数据集，如ImageNet、MS-COCO、CrowdHuman，都会尽量把边界框标清晰。但是边界框在有些情况下会不可避免的存在不确定性。不确定性会使标注和边界框回归函数的学习变得困难。

传统的边界框回归损失（如smooth L1 loss）并没有将边界框的不确定性考虑进去。而且边界框回归当分类分数很高的情况下被假定是准确的，但事实并不总是这样。如下图所示，两个框都是不准的，但分类分数高的边界框反而是错误的。