Generalized Focal Loss V2: Learning Reliable Localization Quality Estimation for Dense Object Detect

本文主要是介绍Generalized Focal Loss V2: Learning Reliable Localization Quality Estimation for Dense Object Detect，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

Generalized Focal Loss V2

这篇文章提出了利用边界框分布（在Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection中提出的一般分布）

在这里插入图片描述

本文观察到一般的统计分布与其真正的定位质量有很强的相关性，边界框分布的形状（平整度）可以清楚地反映预测结果地定位质量，分布越尖锐，预测的边界框越准确，反之亦然。输入（边框分布统计）和输出（LQE分数）是高度相关的。受到了这个启发，本文提出了一个只有几十个隐藏单元的非常轻量级的子网络，在这些分布统计的基础上产生可靠的LQE分数，显著提高了检测性能。
在这里插入图片描述

本文第一次在端到端密集目标检测框架中，将边界框分布的统计与定位质量估计联系了起来，提出的这种轻量级子网络称为分布导向的质量预测器（DGQP—— Distribution-Guided Quality Predictor ），显著提升了AP值。
由于之前的都是一些假想——输入（边框分布统计）和输出（LQE分数）是高度相关的，因此推测它比现有的方法中提出的卷积输入更有效。为了评估DGQP是否有利于定位质量的估计，计算了预测的IoU与真实的IoU之间的Pearson相关洗漱（PCC），实验表明其相关性得到了提升。因此表明定位质量得到了提升。

在这里插入图片描述

可以看到其他的模型是由于高质量的候选检测器由于其较低的定位置信度而被错误地抑制最终导致了性能下降，说明了提高LQE的重要性，且拥有较大的涨点空间。

这篇论文建立的基础是GFL v1中的边框不确定性预测，然后据此建立的一般分布，通过这个分布来预测IoU

reference:

https://zhuanlan.zhihu.com/p/313684358
Li X, Wang W, Hu X, et al. Generalized Focal Loss V2: Learning Reliable Localization Quality Estimation for Dense Object Detection[J]. arXiv preprint arXiv:2011.12885, 2020.

这篇关于Generalized Focal Loss V2: Learning Reliable Localization Quality Estimation for Dense Object Detect的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！