[论文解读] Pseudo-IoU: Improving Label Assignment in Anchor-Free Object Detection

Jiachen Li, Bowen Cheng+5 more|arXiv (Cornell University)|Apr 29, 2021

Advanced Neural Network Applications参考文献 44被引用 5

一句话总结

本文提出Pseudo-IoU，一种简单而有效的度量方法，通过计算每个特征图点处的伪框与真实框之间的交并比（IoU），实现基于IoU的精确标签分配，从而在无锚框目标检测中取得优异性能。该方法无需额外参数或计算开销，即可在PASCAL VOC和MSCOCO基准上将无锚框检测器的mAP提升2.1–3.1%，达到与最先进方法相当的性能。

ABSTRACT

Current anchor-free object detectors are quite simple and effective yet lack accurate label assignment methods, which limits their potential in competing with classic anchor-based models that are supported by well-designed assignment methods based on the Intersection-over-Union~(IoU) metric. In this paper, we present extbf{Pseudo-Intersection-over-Union~(Pseudo-IoU)}: a simple metric that brings more standardized and accurate assignment rule into anchor-free object detection frameworks without any additional computational cost or extra parameters for training and testing, making it possible to further improve anchor-free object detection by utilizing training samples of good quality under effective assignment rules that have been previously applied in anchor-based methods. By incorporating Pseudo-IoU metric into an end-to-end single-stage anchor-free object detection framework, we observe consistent improvements in their performance on general object detection benchmarks such as PASCAL VOC and MSCOCO. Our method (single-model and single-scale) also achieves comparable performance to other recent state-of-the-art anchor-free methods without bells and whistles. Our code is based on mmdetection toolbox and will be made publicly available at https://github.com/SHI-Labs/Pseudo-IoU-for-Anchor-Free-Object-Detection.

研究动机与目标

• 为解决当前无锚框目标检测器中缺乏标准化且准确的标签分配方法的问题，该问题限制了其相对于锚框模型的性能表现。
• 通过引入一种可靠、基于IoU的分配机制，弥合无锚框与锚框检测器之间的性能差距。
• 使先进的标签分配策略（如Cascade R-CNN、Libra R-CNN中的方法）能够迁移到无锚框框架中。

提出的方法

• 对于真实框内的每个点，通过特征图投影生成一个与该点大小相同且以该点为中心的伪框。
• Pseudo-IoU计算为伪框与真实框之间的IoU，为每个点生成[0,1]范围内的值。
• 若Pseudo-IoU超过阈值T ∈ [0,1]，则将该点分配为正样本，否则为负样本，从而实现标准化的标签分配。
• 该方法以端到端单阶段无锚框检测器为基础，无需引入额外参数或推理开销。
• 该方法与现有组件（如中心度和GIoU损失）兼容，支持逐步提升性能。
• 框架基于mmdetection工具箱实现，并公开发布以确保可复现性。

实验结果

研究问题

• RQ1 能否通过一种简单、零成本的度量方法，在不增加参数或计算量的前提下，提升无锚框目标检测中的标签分配准确性？
• RQ2 此前在锚框方法中表现有效的基于IoU的分配策略，能否有效推广至无锚框检测器？
• RQ3 Pseudo-IoU能否实现将高级训练策略（如难负样本挖掘、级联头结构）迁移到无锚框检测中的应用？
• RQ4 与中心度或缩放框度量等其他分配准则相比，Pseudo-IoU在mAP和误报减少方面表现如何？
• RQ5 Pseudo-IoU-based标签分配能否在不依赖网络架构改进的前提下，实现与最先进无锚框方法相当的性能？

主要发现

• 所提出的Pseudo-IoU方法在PASCAL VOC 2007测试集上将无锚框基线模型的mAP提升2.1%。
• 在MSCOCO minival数据集上，该方法相比基线模型实现2.9%的mAP提升，并超过RetinaNet 1.1% mAP。
• 在MSCOCO test-dev数据集上，使用ResNet-101主干网络时，该方法相比基线模型实现3.1%的mAP增益。
• 该方法减少了误报并提升了定位精度，检测结果对比图中已直观验证。
• Pseudo-IoU优于其他替代分配度量方法，如中心度（78.7% mAP）和缩放框度量（78.3% mAP），在PASCAL VOC上达到79.0% mAP。
• 该方法与现有组件（如GIoU和中心度）完全兼容，结合使用可进一步提升性能。