IoU-aware的目标检测,显著提高定位精度
今天新出的一篇论文IoU-aware Single-stage Object Detector for Accurate Localization,提出一种非常简单的目标检测定位改进方法,通过预测目标候选包围框与真实目标标注的IoU(交并比),并基于此与分类分数的乘积作为检测置信度,用于NMS(非极大抑制)和COCO AP计算,显著提高了目标检测的定位精度。
该文作者信息:
作者均来自华中科技大学。
在目标检测问题中,模型需要输出目标分类分数和与其对应的目标定位的包围框,在以往的模型中,经常使用分类分数作为目标定位准不准的置信度,并基于此对大量候选目标包围框NMS,现在越来越多的工作发现,分类分数高并不能保证定位精度高。
比如:
Softer-NMS:CMU&旷视最新论文提出定位更加精确的目标检测算法
作者认为IoU是直接反应定位准不准的直接指标,可以在目标检测模型的分类和定位任务的基础上添加IoU预测的任务,可以在一定程度上反应定位置信度。
作者是在著明的一阶段目标检测算法RetinaNet基础上做的改进,如下图:
在包围框回归分支添加一个并行的预测IoU的任务。
相关的损失函数数学描述:
作者将分类分数和预测得到的IoU相乘,这个指标既反应了是不是这个目标,又反应了该位置和真实目标的可能的交并比,认为它是更加精确的检测置信度:
公式中参数 α 用于控制两者的贡献大小。
实验结果
作者在COCO test-dev上与其他State-of-the-art算法的结果比较:
可见,相比于基线RetinaNet,取得了显著的AP提升,提升在1.0%∼1.6%之间。
在PASCAL VOC数据集上与RetinaNet的比较结果:
同样取得了显著的AP提升,AP 提升在1.1%∼2.2%之间。
这篇文章尽管思路比较简单,但改进还是明显的,希望对其他目标检测算法也有效,期待有更多实验结果出来。
论文地址:
https://arxiv.org/pdf/1912.05992.pdf
作者称代码将开源,不过还没公布地址。