《Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection》
原文链接:https://arxiv.org/abs/2006.04388
代码链接:https://github.com/implus/GFocal
一、针对什么问题?
1、问题:
1)分类分支和定位质量估计(IOU/centerness)分支训练测试的不一致性
2)bounding boxes表示不够灵活
二、 提出什么方法?
1、不一致性:
QFL:提出一个联合表示。
1)a classification vector where its value at the ground-truth category index refers to its corresponding localization quality
采用质量预测分数替代对应分类分数
2、bounding boxes表示不够灵活:
1)并不是采用狄拉克/高斯分布作为先验,而是设计更有普适性的DFL
三、IoU和centerness分支的讨论
1)centerness的计算方式会使部分小目标的label非常小。文中的统计显示,centerness label值小于0.4的比例远高于IOU label值小于0.4所占比例。
四、有哪些思考?
GFL在VisDrone数据上没有明显提升。VisDrone数据集中存在较多遮挡现象,但实验结果与FCOS相差无几。
五、代码运行情况
GFL在VisDrone上测试。
配置环境:
1080Ti,gfl_r50_fpn_1x_coco
测试结果:
'MAP@0.5', 0.264
'MAP@0.5:0.95', 0.152