| titile | Consistent Optimization for Single-Shot Object Detection |
|---|---|
| url | https://arxiv.org/pdf/1901.06563.pdf |
| 动机 | single-stage优化目标和inference配置misalignment阻碍性能提升 |
| 内容 |
Consistent Optimization： 训练时利用refined anchors匹配training hypotheses and the inference quality。 问题： train：classification基于原始anchor训练。 inference：将原始anchor的score赋给refine后的anchor。anchor定位性能在回归前后不同，导致classification得分与refine的anchor定位能力表现不一致。 training-inference configuration： 1、original anchor和refined anchor对应相同gt时影响不大。 2、当两个object相互遮挡，regression会对移动方向混淆。  图3说明与gt IoU较小的anchor回归后可以与gt的IoU变大。   1、original anchor和refined anchor定位质量不同，分类基于original anchor训练，score可靠性降低。inter-class confusion（图2）可能NMS去掉准的box。 2、 anchor和gt IOU小于0.5为negative samples， refined后可能和gt的overlaps比较大，但score小被滤除，foreground-background classification error。 3、分类scores方差随着IoU增长不断变大（大于0.9的样本不具备可信度，样本数太少）。这是因为基于original anchor训练的score赋予refined anchor，导致目标anchor的分类方差较大（方差大表示不鲁棒，置信度不高）。  Consistent Detection: 分类loss额外加入regressed anchors的分类  为了与分类保持一致，定位也加入一个refined anchor的子loss  training and inference不需要额外计算。 Discussion and Comparison to Prior Works Cascade R-CNN：one stage依赖conv kernel联系anchor和final prediction，不如ROI-Pooling提取特征容易。 RefineDet： （1）滤除negtive anchors，减少分类范围。 （2）粗定位思想与cascade相似。 与Consistent Optimization两点不同： （a）RefineDet anchor refinement module与Faster R-CNN RPN作用相似。进行粗定位。 本文利用consistent optimization使final prediction更可靠。 （b）RefineDet依靠transfer connection block将feature由anchor refinement module转换到object detection module。本文认为，more parameters是不必要的，主要的性能瓶颈是misalignment between optimization and prediction。 IoU-Net： 学习predicted bounding box和gt box之间IoU，同时使用IoU-NMS检测boxes，guided by the learned IoU。主要目标是保证confidence score与localization performance的一致（实验在two stage）。 |
| 实验 |
Implementation Details： loss：α = 1 。 Ablation Experiments： Baseline retinanet：2 images per GPU，SGD，backbone：resnet50+FPN。 Ablation Study Comparison with different design choices + Cascade： 1、Cascade RCNN通过ROI提取更精确的features，signle stage很难学习这种transformations。 2、 使用deformable convolution学习transformations仍然失败。 3、所以性能提升主要因为detector更好的训练，而不是more parameters和architecture designs。  μpos和μneg对结果影响不大，实验使用μpos = 0.6 and μneg = 0.5   not increased Generalization Capacity： Across model depth and scale： consistent optimization is widely applicable within one stage object detector，主要在大目标。   Comparison to State of the Art  |
| 思考 |
Consistent Optimization for Single-Shot Object Detection
©著作权归作者所有,转载或内容合作请联系作者
- 文/潘晓璐 我一进店门，熙熙楼的掌柜王于贵愁眉苦脸地迎上来，“玉大人，你说我怎么就摊上这事。” “怎么了？”我有些...
- 文/花漫 我一把揭开白布。 她就那样静静地躺着，像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上，一...
- 文/苍兰香墨 我猛地睁开眼，长吁一口气：“原来是场噩梦啊……” “哼！你这毒妇竟也来了？” 一声冷哼从身侧响起，我...
推荐阅读更多精彩内容
- TITLE: Tiny SSD: A Tiny Single-shot Detection Deep Convol...
- ——FSAF，CVPR 2019 摘要 本文提出feature selective anchor-free (FS...
- GitHub：arxiv：https://arxiv.org/abs/1903.00621 基于anchor-fr...
- 在网上找资料时，发现一篇推文CVPR2019目标检测方法进展，重点介绍cvpr2019年目标检测亮眼文章，里面提到...
- 这里有一个不错的分析：https://zhuanlan.zhihu.com/p/37916140 总的来说这篇文章...
