我要评论confidence propagation cluster: unleash full potential of object detectors
paper:https://arxiv.org/abs/2112.00342
code:https://github.com/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：
- 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
- 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
- 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：
- 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
- 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
- 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：
- 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
- 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
- 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：
- 其较弱朋友的数量，这些朋友表示更强的增强动机。
- 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。
发表评论