论文标题：SWA Object Detection 论文链接：https://arxiv.org/abs/2012.12645 论文代码：https://github.com/hyz-xmaster/swaobjectdetection 作者单位：昆士兰科技大学, 昆士兰大学 实验证明，在目标检测中执行SWA(随机权重平均)的策略，始终能够实现1.0 AP的改进，如YOLOv3、Mask R-CNN和FCOS等。

您是否想在不增加推理成本和不对检测器进行任何更改的情况下为目标检测器提高1.0 AP？让我们告诉你这样的技巧。这非常简单：使用循环学习率训练检测器多出12个epochs，然后将这12个checkpoints取平均值作为最终检测模型。此有效技巧的灵感来自Stochastic Weights Averaging (SWA)中提出的用于改善深度神经网络泛化性的随机权重平均（SWA）。我们发现它在目标检测中也非常有效。在此技术报告中，我们系统地研究了将SWA应用于对目标检测以及实例分割的效果。通过广泛的实验，我们发现了在目标检测中执行SWA的良好策略，并且在具有挑战性的COCO基准上，与各种流行的检测器相比，我们始终能够实现1.0 AP的改进。我们希望这项工作将使更多的目标检测研究人员了解该技术，并帮助他们训练更好的目标检测器。

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