北京中科白癜风医院公益中国 http://pf.39.net/bdfyy/bdflx/160706/4892467.html

选自arXiv

作者：PeizeSun等

机器之心编译

编辑：小舟

目标检测是分类和定位的联合任务，只考虑位置信息的标签分配和网络优化，会导致冗余的高分辨检测框。来自香港大学和字节跳动的研究者提出的OneNet，首次实现了在densedetector中无需NMS后处理。

目标检测是计算机视觉领域的基础性任务之一，并且赋能大量的下游应用。当前目标检测器存在的一大挑战是标签分配问题。特别地，如何定义每个目标的正样本和背景的负样本始终是一个悬而未决的难题。数十年来，目标检测中的正样本一直是候选框，它与真值框的IoU大于阈值。现代检测器在图像网格上预定义数千个锚框，并在这些候选框上执行分类和回归任务。这种基于框的标签分配方法被称为「框分配」。尽管多年来候选框方法在目标检测领域占据主导地位，但检测性能容易受到锚框大小、长宽比和数量的影响。为了消除候选框方法的手动设计和复杂计算，研究人员提出了无锚（anchor-free）检测器。无锚检测器中的标签分配被简化成了从网格点到目标框中心的点距。这种基于点的标签分配范式被称为「点分配」。无论是框分配还是点分配方法，都面临着多对一（many-to-one）分配的常见困境。对于一个真值框而言，它有不止一个正样本。检测性能容易受到分配过程中超参数的影响。更糟糕的是产生了冗余和近似重复的结果，导致非最大抑制（NMS）成为了必要的后处理。最近，一对一（one-to-one）分配在稀疏候选和多阶段细化检测器中取得了成功，其中一个真值边界框只分配给一个正样本，其余皆为负样本。这类方法不需要NMS即可直接输出检测结果。检测器的检测准确率性能也非常好。但是，密集候选和单阶段细化检测器可能会更快和更简单。所以为何不为端到端单阶段检测器设计一种直接的一对一标签分类策略呢？在本文中，来自香港大学和字节跳动AI实验室的研究者发现：标签分配中样本与真值之间缺乏分类代价是one-stage检测器移除非最大抑制（NMS）并实现端到端的主要障碍。现有的one-stage目标检测仅通过位置代价来分配标签，例如框IoU、点距离。在缺少分类代价的情况，单独的位置代价将将导致高置信度得分在推理中产生冗余框，从而使NMS成为必要的后处理。

论文链接：

转载请注明:http://www.aideyishus.com/lktp/39.html