Mutual Supervision for Dense Object Detection

Mutual Supervision for Dense Object Detection
Mutual Supervision for Dense Object Detection_第1张图片
作者用这幅图来描述分类和回归头的inconsistency,指出现有在目标检测中存在的问题。
FCOS的分类和回归头存在的问题,其实就是分类头和回归头不一致的问题,但是目标检测的主要目的是找出分类分数和回归分数同时比较好的结果,因此在训练中如何保持这两个头的一致性是一个很重要的问题,MuSu就是提出来解决这个问题

MuSu核心创新点:在训练中利用分类头的结果来给回归头定义样本,同理用回归头的结果给分类头定义样本

Mutual Supervision for Dense Object Detection_第2张图片
实现步骤:
(1)首先构建自适应的bag来筛选候选的anchor
(2)然后计算候选排名,依据是候选bag里面的分类和回归的结果
(3) 利用排名来对加权loss函数

第一步:先构建Candidate bag的目的是用这个bag来去除背景特征带来的噪音影响
第二步:候选bag里面的anchors进行一个分类结果和IoU结果的排名,利用这个排名对loss函数进行加权,是一种相互加权的模式,用分类分数排名对回归头加权,反之亦然。
第三步:设置权重。
具体细节请查看原文
Mutual Supervision for Dense Object Detection_第3张图片
消融实验只有这个可以体现MuSu确实在一定程度上减弱自己描述的回归和分类头不对齐问题,剩下的更多是定量的性能实验。

你可能感兴趣的:(目标检测,人工智能)