Error message here!

Hide Error message here!

忘记密码?

Error message here!

请输入正确邮箱

Hide Error message here!

密码丢失?请输入您的电子邮件地址。您将收到一个重设密码链接。

Error message here!

返回登录

Close

【第14篇】UMOP

AI浩 2021-09-27 14:13:42 阅读数:22 评论数:0 点赞数:0 收藏数:0

Progressive Hard-case Mining across Pyramid Levels in Object Detection

image-20210926171624112
論文地址:https://arxiv.org/abs/2109.07217

摘要

在物體檢測中,多級預測(例如 FPN、YOLO)和重采樣技巧(例如焦點損失、ATSS)極大地提高了單級檢測器的性能。然而,如何通過逐級優化特征金字塔來提高性能仍然有待探索。我們發現,在訓練期間,正樣本與負樣本的比率在金字塔級別(級別不平衡)之間變化,當前的單級檢測器無法解决這一問題。為了調解級別不平衡的影響,我們提出了一個統一的多級優化範式(UMOP),它由兩個部分組成:1)獨立的分類損失監督每個金字塔級別,並考慮單獨的重采樣; 2) 漸進式硬案例挖掘損失定義了金字塔級別的所有損失,無需額外的級別設置。使用 UMOP 作為即插即用方案,現代單級檢測器可以通過更少的訓練迭代和沒有額外的計算開銷實現 ~ 1.5AP 的改進。我們最好的模型在 COCO test-dev 上實現了 55.1 AP。代碼可在 https://github.com/zimoqingfeng/UMOP 獲得 .

1、引言

一級目標檢測器在實際應用中很受歡迎,因為與多級檢測器相比,它們具有更高的效率和更低的計算成本(Zou 等人,2019 年)。最近,一級檢測器逐漸趕上多級檢測器࿰

版权声明
本文为[AI浩]所创,转载请带上原文链接,感谢

编程之旅,人生之路,不止于编程,还有诗和远方。
阅代码原理,看框架知识,学企业实践;
赏诗词,读日记,踏人生之路,观世界之行;

支付宝红包,每日可领