?作者丨h(huán)appy
編輯丨極市平臺(tái)
本文原創(chuàng)首發(fā)于極市平臺(tái)公眾號(hào)，轉(zhuǎn)載請(qǐng)獲得授權(quán)并標(biāo)明出處。

文章鏈接：https://arxiv.org/pdf/2109.07217.pdf

代碼鏈接：https://github.com/zimoqingfeng/UMOP

本文是百度的研究員在目標(biāo)檢測(cè)領(lǐng)域的最新力作，對(duì)一個(gè)被“遺忘”的地帶(金字塔層級(jí)目標(biāo)分布不平衡)進(jìn)行了探索。首先，作者基于FPN架構(gòu)對(duì)不同檢測(cè)器的不同層級(jí)目標(biāo)分布進(jìn)行了分析并得出：不同層級(jí)目標(biāo)分布確實(shí)存在Level Imbalance問題；基于所發(fā)現(xiàn)問題，從現(xiàn)有固定參數(shù)FocalLoss出發(fā)設(shè)計(jì)了一種新的PFL損失；與此同時(shí)，針對(duì)訓(xùn)練過程中難易樣例的角色轉(zhuǎn)換現(xiàn)象提出了漸進(jìn)式動(dòng)態(tài)調(diào)整超參的機(jī)制進(jìn)行更進(jìn)一步的改善。值得一提的是，所提UMOP一種“即插即用”、“無損漲點(diǎn)”的模塊，它可以輕易的嵌入到現(xiàn)有一階段檢測(cè)器中并大幅提升檢測(cè)性能，性能提升高達(dá)~1.5AP。不得不說，百度最近兩年最detection方面的工作還是非常值得稱道的，頂！

Abstract

在目標(biāo)檢測(cè)領(lǐng)域，多級(jí)預(yù)測(cè)(比如FPN、YOLO)與重采樣技術(shù)(如Focal Loss、ATSS)極大的提升了一階段檢測(cè)器性能。然而，如何通過逐級(jí)優(yōu)化特征金字塔提升性能尚未進(jìn)行探索。我們發(fā)現(xiàn)：在訓(xùn)練過程中，不同金字塔層級(jí)的正負(fù)樣例比例是不同的，即存在Level Imbalance，而這尚未被一階段檢測(cè)器解決。

為緩解Level Imbalance影響，本文提出一種UMOP(Unified Multi-level Optimization Paradigm)，它包含兩個(gè)成分：

• An independent classification loss supervising each pyramid level with individual resampling considerations;

• A progressive hard-case mining loss defining all losses across the pyramid levels without extra level-wise settings.

基于所提即插即用UMLP機(jī)制，現(xiàn)有一階段檢測(cè)可以用更少的訓(xùn)練迭代次數(shù)取得~1.5AP指標(biāo)提升，且不會(huì)導(dǎo)致額外的計(jì)算負(fù)擔(dān)。所得最佳模型在COCO test-dev數(shù)據(jù)集上取得了55.1AP指標(biāo)。

本文主要由以下三點(diǎn)貢獻(xiàn)：

• 本文首次證實(shí)：FPN性能在某種程度上會(huì)受到Level Imbalanced影響；

• 集成與所提UMOP，現(xiàn)有一階段檢測(cè)器可以用更少的訓(xùn)練迭代次數(shù)取得~1.5AP指標(biāo)提升，且不會(huì)導(dǎo)致額外的計(jì)算負(fù)擔(dān)；

• 在COCO test-dev數(shù)據(jù)集上，最佳模型取得了截至目前最高的55.1AP指標(biāo)(一階段檢測(cè)器)。

全文鏈接：在目標(biāo)檢測(cè)被“遺忘”領(lǐng)域進(jìn)行探索后，百度開源最新力作UMOP：即插即用、無痛漲點(diǎn)

總結(jié)

以上是生活随笔為你收集整理的在目标检测被“遗忘”领域进行探索后，百度开源最新力作UMOP：即插即用、无痛涨点的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。