Current anchor-free object detectors are quite simple and effective yet lack accurate label assignment methods, which limits their potential in competing with classic anchor-based models that are supported by well-designed assignment methods based on the Intersection-over-Union~(IoU) metric. In this paper, we present \textbf{Pseudo-Intersection-over-Union~(Pseudo-IoU)}: a simple metric that brings more standardized and accurate assignment rule into anchor-free object detection frameworks without any additional computational cost or extra parameters for training and testing, making it possible to further improve anchor-free object detection by utilizing training samples of good quality under effective assignment rules that have been previously applied in anchor-based methods. By incorporating Pseudo-IoU metric into an end-to-end single-stage anchor-free object detection framework, we observe consistent improvements in their performance on general object detection benchmarks such as PASCAL VOC and MSCOCO. Our method (single-model and single-scale) also achieves comparable performance to other recent state-of-the-art anchor-free methods without bells and whistles. Our code is based on mmdetection toolbox and will be made publicly available at https://github.com/SHI-Labs/Pseudo-IoU-for-Anchor-Free-Object-Detection.


翻译:目前,无锚物体探测器非常简单、有效,但缺乏准确的标签分配方法,限制了它们与传统的基于锚的模型竞争的潜力,而传统的基于锚的模型则以基于跨交-Ulion~(IoU)的精心设计的任务分配方法支持。在本文中,我们提出\ textbf{Pseudo-Intersedu-Intersection-over-Uniion~(Pseeudo-IoU)}:一个简单的指标,将更标准化和准确的任务分配规则引入无锚物体探测框架,而不增加任何计算成本或额外的培训和测试参数,从而有可能通过利用以前在基于锚的方法中应用的有效任务分配规则下的良好质量培训样本来进一步改进无锚物体探测。通过将Pseudo-IoUloU的矩阵纳入端至端单阶段无锚物体探测框架,我们观察到在普通物体探测基准(如PASAL VOC和MCCO)上的性能持续改进。我们的方法(单一模型和单一尺度)还将达到与最近的州-艺术-固定-PI-Peb-freal-to-com-to-to-to-to-to-to-to-to-to-to-to-to-to-st-to-to-tole-st-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-tob-st-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-st-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-tob-to-to-to-to-to-to-to-to-to-to-to-to-tob-to-to-to-to-to-to-to-to-s-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-to-s-to-to-to-to-to-to-to-to-to-to-s-s-s-s-s-

1
下载
关闭预览

相关内容

目标检测,也叫目标提取,是一种与计算机视觉和图像处理有关的计算机技术,用于检测数字图像和视频中特定类别的语义对象(例如人,建筑物或汽车)的实例。深入研究的对象检测领域包括面部检测和行人检测。 对象检测在计算机视觉的许多领域都有应用,包括图像检索和视频监视。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等
专知会员服务
26+阅读 · 2021年3月5日
CVPR2020 | 商汤-港中文等提出PV-RCNN:3D目标检测新网络
专知会员服务
43+阅读 · 2020年4月17日
专知会员服务
109+阅读 · 2020年3月12日
《DeepGCNs: Making GCNs Go as Deep as CNNs》
专知会员服务
30+阅读 · 2019年10月17日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
重磅!13篇基于Anchor free的目标检测方法
极市平台
4+阅读 · 2019年5月28日
无监督元学习表示学习
CreateAMind
27+阅读 · 2019年1月4日
车辆目标检测
数据挖掘入门与实战
30+阅读 · 2018年3月30日
Soft-NMS – Improving Object Detection With One Line of Code
统计学习与视觉计算组
6+阅读 · 2018年3月30日
(TensorFlow)实时语义分割比较研究
机器学习研究会
9+阅读 · 2018年3月12日
【推荐】(TensorFlow)SSD实时手部检测与追踪(附代码)
机器学习研究会
11+阅读 · 2017年12月5日
【推荐】YOLO实时目标检测(6fps)
机器学习研究会
20+阅读 · 2017年11月5日
【推荐】视频目标分割基础
机器学习研究会
9+阅读 · 2017年9月19日
Frustratingly Simple Few-Shot Object Detection
Arxiv
3+阅读 · 2020年3月16日
Clustered Object Detection in Aerial Images
Arxiv
5+阅读 · 2019年8月27日
Arxiv
5+阅读 · 2019年4月8日
Arxiv
5+阅读 · 2018年5月16日
Arxiv
5+阅读 · 2018年4月17日
Arxiv
7+阅读 · 2018年3月19日
Arxiv
6+阅读 · 2018年2月6日
Arxiv
8+阅读 · 2018年1月12日
VIP会员
相关资讯
重磅!13篇基于Anchor free的目标检测方法
极市平台
4+阅读 · 2019年5月28日
无监督元学习表示学习
CreateAMind
27+阅读 · 2019年1月4日
车辆目标检测
数据挖掘入门与实战
30+阅读 · 2018年3月30日
Soft-NMS – Improving Object Detection With One Line of Code
统计学习与视觉计算组
6+阅读 · 2018年3月30日
(TensorFlow)实时语义分割比较研究
机器学习研究会
9+阅读 · 2018年3月12日
【推荐】(TensorFlow)SSD实时手部检测与追踪(附代码)
机器学习研究会
11+阅读 · 2017年12月5日
【推荐】YOLO实时目标检测(6fps)
机器学习研究会
20+阅读 · 2017年11月5日
【推荐】视频目标分割基础
机器学习研究会
9+阅读 · 2017年9月19日
相关论文
Frustratingly Simple Few-Shot Object Detection
Arxiv
3+阅读 · 2020年3月16日
Clustered Object Detection in Aerial Images
Arxiv
5+阅读 · 2019年8月27日
Arxiv
5+阅读 · 2019年4月8日
Arxiv
5+阅读 · 2018年5月16日
Arxiv
5+阅读 · 2018年4月17日
Arxiv
7+阅读 · 2018年3月19日
Arxiv
6+阅读 · 2018年2月6日
Arxiv
8+阅读 · 2018年1月12日
Top
微信扫码咨询专知VIP会员