CVPR 2022 | 用于目标检测的双加权标签分配

论文：

摘要

标签分配(Label Assignment,LA)是目标检测中重要的一个步骤，其目的是为每个训练样本分配正样本和负样本的损失权重。现有LA研究主要关注正样本权重函数的设计，却直接使用正样本权重作为负样本的权重，这种做法一定程度上限制了检测器的学习能力。本文探索了一种新的标签分配范式，称为双加权标签分配(DW)，以分别指定正样本和负样本的损失权重。作者认为：正样本权重由其分类和定位之间的一致性程度确定，而负样本权重为负样本的概率和其以负样本为条件的重要性。基于这一动机，本文首先分析了目标检测中的评价指标，确定正/负权重的关键影响因素，然后提出了DW算法。这种加权策略为区分重要的和不重要的样本提供了更大的灵活性，从而使训练更有效的目标检测器成为可能。实验结果表明通过引用DW，FCOS-ResNet-50在COCO上可以达到41.5%的mAP，优于其他现有的LA方法。