江苏龙网

  1. 首页 > 人文 > >

PPDet：减少Anchor-free目标检测中的标签噪声，小目标检测提升明显( 二 )


在本文中提出了一种anchor-free目标检测方法 ， 该方法放宽了正样本标签策略 ， 使模型能够减少训练时非判别性特征的贡献 。
同时 ， 根据这种训练策略 ， 检测器采用了一种推理方法 ， 使得其中高度重叠的预测相互强制 。
PPDet：减少Anchor-free目标检测中的标签噪声，小目标检测提升明显文章插图
图1：PPDet的三个样本检测 ， 从左到右分别是冲浪板 ， 笔记本电脑和球拍 。 彩色圆点显示了将其预测汇总在一起以生成最终检测结果的位置 ， 显示在绿色边框中 。 颜色表示贡献权重 。 最高贡献来自目标对象 ， 而不是遮挡物或背景区域 。
本文的方法在训练过程中 ， 在ground truth（GT）框内定义了一个“正区域” ， 该区域与GT框具有相同的形状和中心 ， 并且作者通过实验调整了相对于GT框的正区域的大小 。 由于这是一种anchor-free方法 ， 因此每个特征（即最终特征图中的位置）都可以预测类别概率矢量和边界框坐标 。
来自GT框正区域的分类预测汇总在一起 ， 并作为单个预测对损失做出了贡献 。 由于在训练过程中来自非目标区域（背景或被遮挡区域）的特征和非判别行特征的贡献会自动降低 ， 因此这种总和缓解了上面提到的“噪声标签”问题 。
模型推理时 ， 高度重叠的框的类别概率再次被合并在一起以获得最终的类别概率 。 方法最终命名为“ PPDet” ， 它是“prediction pooling detector”的缩写 。
本文工作的贡献有两个方面：
1、设计了一个宽松的标签策略 ， 它允许模型在训练过程中减少非判别性特征的贡献；
2、提出一个新的目标检测方法：PPDet ， 它使用这个宽松的策略进行训练 ， 并使用了一个新的基于预测池（prediction pooling）的推理方法 。
在COCO数据集上 ， PPDet优于所有自上而下的anchor-free检测器 ， 并且与其他最先进的方法表现相当 。
特别的 ， PPDet对于检测小物体尤其有效 。
2 本文方法
1、Labeling strategy and training
Anchor-free检测器通过根据GT框的尺度大小或目标回归距离将其分配到适当的FPN层级来限制GT框的预测 。 在本文中同样遵循基于尺度的分配策略 ， 因为它是一种自然地将GT框与特征金字塔层级特性关联起来的方法 。
然后 ， 为每个GT框构建两个不同的区域 ， 将 "正区域 "定义为与GT框同中心且形状与GT框相同的区域 ， 并通过实验设定 "正区域 "的大小 。
然后 ， 将在空间上落在GT盒的 "正区域 "内的所有位置（即特征）识别为 "正（前景）"特征 ， 其余为 "负（背景）"特征 ， 这样 ， 每个正向特征都被分配到包含它的GT框中 。
PPDet：减少Anchor-free目标检测中的标签噪声，小目标检测提升明显文章插图
图2：PPDet训练期间的预测池predict pool 。 为简单起见 ， 仅以单FPN层级进行说明 ， 并且未显示边界框回归分支 。 蓝色和红色单元格是前景单元格 。 将相同颜色的前景单元（每个都是c维矢量）进行合并（即求和） ， 以形成对应对象的最终预测得分 。 这些合并的得分被送到损失函数（Focal loss）中进行训练 。
在图2中 ， 蓝色和红色的单元格代表正向特征 ， 其余的（空的或白色的）是负向特征 。 蓝色特征被分配给飞盘（frisbee） ， 红色特征被分配给人物（person） 。
为了得到一个目标实例的最终检测分数 ， 本文将所有分配给该目标对象的特征的分类分数集中起来 ， 将它们加在一起 ， 得到一个最终的C维向量 ， C表示目标的类别数 。 除了正向标记的特征外 ， 其他特征都是负值特征 ， 而每个负值特征对损失都有单独的贡献(即没有汇集) ， 这个最终的预测向量被送入Focal Loss（FL） 。
默认情况下 ， 将正特征分配给它们所在的框的目标实例 ， 而此时 ， 在不同GT框的相交区域中的特征分配是需要处理的问题 。 在这种情况下 ， 本文的方法会将这些特征分配到距其中心距离最小的GT框中 。


推荐阅读


上一篇：2020年度国家绿色数据中心名单公布 重庆4家上榜

下一篇：运动伴侣狂甩不掉，DOSS T63真无线蓝牙耳机