admin 管理员组

文章数量: 1086019

Confidence Propagation Cluster: Unleash Full Potential of Object Detectors

paper:https://arxiv/abs/2112.00342
code:https://github/shenyi0220/CP-Cluster

摘要

大多数目标检测方法都是通过NMS及其改进版本Soft-NMS来去除冗余边界框来获取对象。本文提出了三个方面来挑战这些后处理方法：

  1. 具有最高置信度的边界框可能不是与gt重叠最大的真正结果
  2. 不仅需要对冗余框进行抑制，而且还需要对那些真正的正值进行置信度增强
  3. 按照置信度排序后只能根据排序顺序来进行计算，无法并行

本文提出了置信传播聚类来取代基于NMS的方法，具有并行性和更好的精度。在CP-Cluster中，以迭代的方式惩罚冗余框并增强真正的结果，直到收敛。可以应用于各种主流检测器，如FasterRCNN、SSD、FCOS、YOLOv3、YOLOv5、Centernet等，验证了CP-Cluster的有效性。在即插即用，不重新训练检测器的情况下，能够得到精度提升。

介绍

为了克服基于NMS方法的不足，CP-Cluster经过精心设计，采用了以下策略：

  1. 充分利用候选框之间的关系，在候选框之间传播消息以调整其置信度
  2. 进一步最大化正样本和冗余框之间的之心区间，置信传播将迭代多次
  3. 实现完全并行，消息传播被限制在相邻的候选框内，每个候选框能独立地更新

本文的贡献如下：

  1. 提出了一种完全并行聚类框架(CP-Cluster)，适用于所有需要后处理的目标检测器，并且这中新的聚类框架在精度上优于基于NMS的方法
  2. 将CP-Cluster应用于各种主流检测器，无需对其进行训练，所有主流检测器都得到了提升
  3. 一些无NMS的检测器也可以通过该集群框架得到显著提升

相关工作

两阶段目标检测

一阶段目标检测

简化检测器

NMS

标题

置信度传播聚类

将box聚类任务转化为一个图模型问题，最大化真实位置和冗余盒子之间的置信区间。

为了描述预测边界框之间的相邻关系，根据IOU创建它们之间的连接，并推广到马尔可夫随机场中，根据设置IOU阈值生成图集。

Mp利用弱侧信息更新强侧置信度
Mn利用强测信息更新弱侧置信度

Mp使用弱侧增强

边界框增强主要受两个因素的影响：

  1. 其较弱朋友的数量，这些朋友表示更强的增强动机。
  2. 弱侧信息的置信。因为更多具有高置信值的朋友是证明盒子本身为真正的证据。在尝试了许多选项后，证明了较弱朋友的最大置信值最有效。

Mn使用强侧抑制



要么IOU最大，要么置信度最高，由Alpha决定

实验

yolov5不同超参的精度
iter 迭代次数
λ IOU阈值增量
θ 选择弱侧阈值
ζ 强侧抑制次数




结论

提出了一种新的基于图模型的边界框聚类框架(CP-Cluster)，完全可并行，可以作为所有目标检测器的一般后处理步骤，取代传统的基于NMS方法。

本文标签： Confidence Propagation CP cluster Unleash

版权声明：本文标题：CP-Cluster:Confidence Propagation Cluster: Unleash Full Potential of Object Detectors 内容由网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：http://www.roclinux.cn/b/1738258120a1952160.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。