0902 每日文献阅读 打卡

 

 

Read Data: 0902	Publication: CVPR 2021
Title: Generalized Focal Loss V2: Learning Reliable Localization Quality Estimation for Dense Object Detection
Aim: 从一种全新的、不同于以往的视角，探索用基于边界框的四个参数的分布来预测LQE。	Research Question: 稠密预测的关键是LQE问题。许多前人的研究都对LQE进行了探索，一般来说，上述方法都是基于单纯的卷积特征。与以往的工作不同，本文探索了一个全新的视角，直接利用边界框分布的统计，而不是单纯的卷积特征来进行LQE。
Method: 与以往的工作不同，本文探索了一个全新的视角，直接利用边界框分布的统计，而不是单纯的卷积特征来进行LQE。这里的边界框分布是GFLV1的一般分布，学习每个预测边缘的离散概率分布来描述边界框回归的不确定性。边界框分布的形状(平整度)可以清楚地反映预测结果的定位质量，分布越尖锐，预测的边界框越准确，反之亦然。因此，它可能更容易和非常有效地通过分布信息的引导来更好的LQE，因为输入(边框分布统计)和输出(LQE分数)是高度相关的。受分布统计与LQE得分之间的强相关性的启发，我们提出了一个只有几十个（例如64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。重要的是，它在实际应用中所带来的额外计算量可以忽略不计，而且几乎不影响基本目标检测器的训练/推理速度。在本文中，我们将这种轻量级子网络称为分布导向的质量预测器（DGQP），因为它依赖于分布统计的指导来进行质量预测。通过引入轻量级的DGQP，通过统计边界框分布预测可靠的LQE分数，我们开发了一种基于GFLV1框架的新型密集物体检测器，即GFLV2。
Results: 大量的实验证明了该方法的有效性。值得注意的是，GFLV2 (ResNet101)在14.6 FPS时达到46.2 AP，在COCO test-dev上以绝对2.6 AP超过了之前最先进的ATSS基线(14.6 FPS时的43.6 AP)，同时不牺牲训练和推理的效率。		Discussion:
Conclusion: 在本文中，建议学习可靠的定位质量估计，通过统计边界框分布的指导。从一个全新的、完全不同的视角，在概念上也是有效的，因为分布的信息与真实的定位质量高度相关。在此基础上，我们开发了一个密集目标检测器，即GFLV2。对COCO数据集进行了大量的实验和分析，进一步验证了该算法的有效性、兼容性和有效性。我们希望GFLV2可以作为社区简单而有效的基线。			Further:
Ref: