【ECCV-2020】动态R-CNN：通过动态训练实现高质量的目标检测 Dynamic R-CNN: Towards High Quality Object Detection via Dynamic Training 【推荐理由】近年来，虽然多种两阶段检测器取得了最先进的性能，但训练过程本身还有很多提升的空间。本文指出，在固定网络设置和动态训练过程之间存在不一致的问题，这对性能有很大的影响。例如，固定标签分配策略和回归损失函数不能适应候选区域的分布变化，不利于训练高质量的检测器。因此，我们提出了动态R-CNN算法，在训练过程中根据候选的统计信息自动调整标签分配标准(IoU阈值)和回归损失函数的形状(SmoothL1损失函数的参数)。这种动态的设计更好地利用了训练样本，并推动检测器拟合更多的高质量样本。具体地说，我们的方法在MS COCO数据集上比ResNet-50-FPN的基线在AP指标上提升了1.9%，在AP_90指标上提升了5.5%，并且没有增加额外的开销。 【论文链接】https://arxiv.org/abs/2004.06002 【开源代码】https://github.com/hkzhang95/DynamicRCNN

内容中包含的图片若涉及版权问题，请及时与我们联系删除