-
题名无锚框目标检测模型特征任务不对齐研究
被引量：1
- 1
-
-
作者
郝帅征
刘宏哲
-
机构
北京联合大学北京市信息服务工程重点实验室
北京联合大学机器人学院
-
出处
《计算机工程与应用》
CSCD
北大核心
2023年第11期151-159,共9页
-
基金
国家自然科学基金(61871039,62102033,62171042,62006020,61906017)
北京市教委项目(KM202111417001,KM201911417001)
+1 种基金
视觉智能协同创新中心项目(CYXC2011)
北京联合大学学术项目(BPHR2020DZ02,ZB10202003,ZK40202101,ZK120202104)。
-
文摘
通常的目标检测模型由分类任务和回归任务构成。由于不同的任务驱动因素,模型中头部对应的这两个任务分支网络对来自同一输入图片、同一个实例的特征具有不同的敏感性。这就造成了检测模型对于相同位置的特征、分类效果和回归效果相差巨大的问题,也就是任务特征不对齐的问题。但是通用的目标检测后处理办法,仅以分类分数作为非极大抑制过程的标准,带来了大量回归质量较差、但置信度很高的检测结果。对现代化的无锚框网络展开不对齐问题的研究分析,将问题进一步拆解为尺度层级上的不对齐和空间位置上的不对齐。提出了参数量代价最小的解决方案:使用可变形卷积模块对检测模型头部网络的感受野进行微调,使用考虑样本点对齐效果的标签分配机制进行对齐样本点的挖掘,创新性地解决了上述两个子问题。进一步的详细实验和对比分析证明了该工作的有效性和实用性,以及对不同特征提取骨干网络的鲁棒性。
-
关键词
目标检测
深度学习
无锚框检测器
标签分配机制
-
Keywords
object detection
deep learning
anchor-free models
label assignment scheme
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
