好久没碰检测了
前段时间因为一些事情又focus了几天
今天做个IOU-Net的简短笔记
简单来说这篇文章主要是针对这样一个问题
检测的目的很明确，为了获得高质量的bounding box
然而在以前的做法当中是先通过一系列bounding box然后再经过筛选获得
筛选是以分类置信度为第一优先级
但是，分类置信度和bbox proposal质量存在相关性但非同步增减
基于这些问题，这篇文章提出了以下策略
IoU predictor
加入IoU预测分支，loss使用smooth L1
使用非RPN提供的proposals，而是ground truth加随机绕动得到Jittered RoIs
IoU-guided NMS
首先选出IoU最大的bbox
获得与该bbox重叠率大于某阈值的bbox集合
将该bbox的分类置信度更新为该集合内分类置信度的最大值
滤掉该集合内的bbox
如此循环…
Bounding box refinement as an optimization procedure
这部分也就长话短说
就是我们现在有一个IoU预测器，以及检测获得的bbox
将这些bbox输入，获得其IoU预测值，再通过梯度反向微调bbox
PrROI直接看公式吧
ROIPool -> ROIAlign 避免量化
ROIAlign -> PrROI 修补了ROIAlign不能由bin大小调整的缺陷
result
高IoU阈值时有较显著的提升