1)系统地回顾了检测器的训练过程,揭示了限制检测性能的三个层次的不平衡问题。 2)提出了Libra RCNN,这是一个通过结合三个新的组成部分来重新平衡训练过程的框架:IoU平衡采样、平衡特征金字塔和平衡L1损失。 3)在MS COCO上测试了所提出的框架,与最先进的检测器(包括单级和两级检测器)相比,不断获得显著的改进。
libra-rcnn的是与faster-rcnn进行比较的,效果比较好,然后我想把它加到cascade-rcnn中去,看下效果怎样。
通过整体平衡设计，LibraR-CNN在ResNet-50基线下实现了38.7 AP，比使用FPN 的Faster R-CNN高2.5个AP。凭借ResNeXt-101-64x4d，Libra R-CNN实现了43.0 AP。除了两阶段框架，作者进一步将LibraR-CNN扩展到单阶段网络，并报告了Libra RetinaNet的实验结果。考虑到RetinaNet中没有采样程序，Libra RetinaNet只集成了平...
本文主要分析了标准目标检测训练过程中不平衡的问题,通常体现在三个层面:sample level, feature level, and objective level。为了减轻由此引起的不利影响,我们提出了Libra R-CNN,这是一种简单而有效的框架,旨在使目标检测的学习更加均衡。它集成了三个新颖的组件:IoU平衡采样,平衡特征金字塔和平衡L1 loss,分别用于减...
Libra R-CNN——“平衡学习” 一、简介 Libra R-CNN: Towards Balanced Learning for Object Detection是发表于2019年CVPR的论文。文章中没有太多改造网络结构,计算成本也没增加多少,只是通过三个方面的改进就能在MSCOCO数据集上AP值比FPN Faster RCNN高2.5%,比RetinaNet高2%。附上开源链接。
https://github.com/OceanPang/Libra_R-CNN Abstract 在目标检测中,人们更关注的往往是模型结构,而在训练过程中投入的注意力相对较少。但是训练过程对于一个目标检测器来说同样关键。在本工作中,作者仔细回顾了检测器的标准训练过程,发现在训练过程中,检测性能往往受到不平衡的限制。这种不平衡往往包括三个方面:sampl...
在目标检测的研究中，模型训练与构建同等重要。作者通过实验发现，检测效果常受限于此过程中的 imbalance，具体分为 sample level, feature level, 以及 objective level 三种。为解决此问题，作者提出了 Libra-RCNN。Libra-RCNN 的创新点主要在于解决 sample level imbalance。此 imbalance 指训练过程中选择...
The code of Libra R-CNN has been merged intommdetection. This repo will not be updated. Please turn to mmdetection for latest version. MMDetection News: We released the technical report onArXiv. Introduction The master branch works withPyTorch 1.1or higher. ...
基于这个观测结果,提出Libra R-CNN通过一个总体平衡的设计来解决对应的不平衡问题。通过使用IoU-balanced取样、balanced特征金字塔以及balanced L1 loss三个组件,Libra R-CNN在MS COCO数据集中得到了显著的提升。此外,延伸实验也表明,Libra R-CNN能够很好地扩展到one-stage或two-stage中各种backbone中。
得益于整体平衡设计,Libra R-CNN显著提高了检测性能。在MSCOCO上,它的平均精度(AP)比FPN Faster R-CNN和RetinaNet分别高出2.5和2.0 Introduction 引入问题 现代检测框架大多遵循共同的训练范式,即采样区域,从中提取特征,然后在标准多任务目标函数的指导下共同识别类别并精炼位置 ...