本文共 1596 字,大约阅读时间需要 5 分钟。
CVPR 2020 camera ready
目前最先进的目标检测器依赖于回归和分类一系列可能的锚点,这些锚点根据它们与相应的GT的IoU分为正样本和负样本。这样的设置方法会导致歧义性标签的产生,这可能会产生噪音,并且对训练具有挑战性。
作者通过设计与锚相关联的cleanliness score来缓解由不完美的标签分配产生的噪声影响。在不增加任何额外计算开销的情况下估计出的cleanliness score,它不仅可以作为软标签来监督分类分支的训练,而且作为样本重加权因子来提高定位和分类精度。 所提出的方法在不同的骨干网络下可以稳步地提高RetinaNet约2%。当下卡IoU threshold的label assignment strategy会对网络训练引入noise,所以作者希望能够减轻这种noisy label的影响。
noisy label是怎么造成的?
不同于其他分类任务中因为标注错误产生的noise, detection里面的noisy label是一个固有的问题。我们都知道如果一个框和ground-truth的overlap是100%,那么这个框理所应当被当做positive;如果没有任何overlap肯定应该是negative。但是中间的那些应该怎么给label呢?现在常见的方法都是卡阈值,高于某个阈值就是positive,低于某个阈值是negative,然而这并不一定是一种最优的策略,毕竟把一个IoU=0.5的框当做正样本可能会引入noise。
如何去消除这种noise呢?
由于loc_a和cls_c被归一化过,为了增加方差作者进行了改动。因此采用以下结果来计算加权:
其中f(x)=1/(1-x),和γ都是用来增大方差的。r被归一化到1. 整体流程:soft label和soft weight消融实验如下:
不同的超参数设置: 提出的方法运用于三种主干的retinanet之后结果如下: 应用于带FPN的F-RCNN的结果: 与其他检测器的对比:转载地址:http://bjxen.baihongyu.com/