CVPR 2022 | 用于目标检测的双加权标签分配

论文：

https://www.zhuanzhi.ai/paper/002170f879767c455e63be63b38b2e9c

Github：https://github.com/strongwolf/DW

 

摘要

标签分配(Label Assignment,LA)是目标检测中重要的一个步骤，其目的是为每个训练样本分配正样本和负样本的损失权重。现有LA研究主要关注正样本权重函数的设计，却直接使用正样本权重作为负样本的权重，这种做法一定程度上限制了检测器的学习能力。本文探索了一种新的标签分配范式，称为双加权标签分配(DW)，以分别指定正样本和负样本的损失权重。作者认为：正样本权重由其分类和定位之间的一致性程度确定，而负样本权重为负样本的概率和其以负样本为条件的重要性。基于这一动机，本文首先分析了目标检测中的评价指标，确定正/负权重的关键影响因素，然后提出了DW算法。这种加权策略为区分重要的和不重要的样本提供了更大的灵活性，从而使训练更有效的目标检测器成为可能。实验结果表明通过引用DW，FCOS-ResNet-50在COCO上可以达到41.5%的mAP，优于其他现有的LA方法。

专知便捷查看

便捷下载，请关注专知公众号（点击上方蓝色专知关注）

• 后台回复“LAOD” 就可以获取《CVPR 2022 | 用于目标检测的双加权标签分配》专知下载链接

请扫码加入专知人工智能群（长按二维码），或者加专知小助手微信（zhuanzhi02），加入专知主题群（请备注主题类型：AI、NLP、CV、 KG、论文等）交流~

专知，专业可信的人工智能知识分发 ，让认知协作更快更好！欢迎注册登录专知www.zhuanzhi.ai，获取70000+AI主题干货知识资料！

欢迎微信扫一扫加入专知人工智能知识星球群，获取最新AI专业干货知识教程资料和与专家交流咨询！

点击“ 阅读原文 ”，了解使用 专知 ，查看获取70000+AI主题知识资源