?作者丨happy
編輯丨極市平臺
本文原創首發于極市平臺公眾號，轉載請獲得授權并標明出處。

文章鏈接：https://arxiv.org/pdf/2109.07217.pdf

代碼鏈接：https://github.com/zimoqingfeng/UMOP

本文是百度的研究員在目標檢測領域的最新力作，對一個被“遺忘”的地帶(金字塔層級目標分布不平衡)進行了探索。首先，作者基于FPN架構對不同檢測器的不同層級目標分布進行了分析并得出：不同層級目標分布確實存在Level Imbalance問題；基于所發現問題，從現有固定參數FocalLoss出發設計了一種新的PFL損失；與此同時，針對訓練過程中難易樣例的角色轉換現象提出了漸進式動態調整超參的機制進行更進一步的改善。值得一提的是，所提UMOP一種“即插即用”、“無損漲點”的模塊，它可以輕易的嵌入到現有一階段檢測器中并大幅提升檢測性能，性能提升高達~1.5AP。不得不說，百度最近兩年最detection方面的工作還是非常值得稱道的，頂！

Abstract

在目標檢測領域，多級預測(比如FPN、YOLO)與重采樣技術(如Focal Loss、ATSS)極大的提升了一階段檢測器性能。然而，如何通過逐級優化特征金字塔提升性能尚未進行探索。我們發現：在訓練過程中，不同金字塔層級的正負樣例比例是不同的，即存在Level Imbalance，而這尚未被一階段檢測器解決。

為緩解Level Imbalance影響，本文提出一種UMOP(Unified Multi-level Optimization Paradigm)，它包含兩個成分：

• An independent classification loss supervising each pyramid level with individual resampling considerations;

• A progressive hard-case mining loss defining all losses across the pyramid levels without extra level-wise settings.

基于所提即插即用UMLP機制，現有一階段檢測可以用更少的訓練迭代次數取得~1.5AP指標提升，且不會導致額外的計算負擔。所得最佳模型在COCO test-dev數據集上取得了55.1AP指標。

本文主要由以下三點貢獻：

• 本文首次證實：FPN性能在某種程度上會受到Level Imbalanced影響；

• 集成與所提UMOP，現有一階段檢測器可以用更少的訓練迭代次數取得~1.5AP指標提升，且不會導致額外的計算負擔；

• 在COCO test-dev數據集上，最佳模型取得了截至目前最高的55.1AP指標(一階段檢測器)。

全文鏈接：在目標檢測被“遺忘”領域進行探索后，百度開源最新力作UMOP：即插即用、無痛漲點

總結

以上是生活随笔為你收集整理的在目标检测被“遗忘”领域进行探索后，百度开源最新力作UMOP：即插即用、无痛涨点的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。