IoU-aware的目标检测，显著提高定位精度

今天新出的一篇论文IoU-aware Single-stage Object Detector for Accurate Localization，提出一种非常简单的目标检测定位改进方法，通过预测目标候选包围框与真实目标标注的IoU（交并比），并基于此与分类分数的乘积作为检测置信度，用于NMS（非极大抑制）和COCO AP计算，显著提高了目标检测的定位精度。

该文作者信息：

作者均来自华中科技大学。

在目标检测问题中，模型需要输出目标分类分数和与其对应的目标定位的包围框，在以往的模型中，经常使用分类分数作为目标定位准不准的置信度，并基于此对大量候选目标包围框NMS，现在越来越多的工作发现，分类分数高并不能保证定位精度高。

比如：

Softer-NMS:CMU&旷视最新论文提出定位更加精确的目标检测算法

作者认为IoU是直接反应定位准不准的直接指标，可以在目标检测模型的分类和定位任务的基础上添加IoU预测的任务，可以在一定程度上反应定位置信度。

作者是在著明的一阶段目标检测算法RetinaNet基础上做的改进，如下图：

在包围框回归分支添加一个并行的预测IoU的任务。

相关的损失函数数学描述：

作者将分类分数和预测得到的IoU相乘，这个指标既反应了是不是这个目标，又反应了该位置和真实目标的可能的交并比，认为它是更加精确的检测置信度：

公式中参数 α 用于控制两者的贡献大小。

实验结果

作者在COCO test-dev上与其他State-of-the-art算法的结果比较：

可见，相比于基线RetinaNet，取得了显著的AP提升，提升在1.0%∼1.6%之间。

在PASCAL VOC数据集上与RetinaNet的比较结果：

同样取得了显著的AP提升，AP 提升在1.1%∼2.2%之间。

这篇文章尽管思路比较简单，但改进还是明显的，希望对其他目标检测算法也有效，期待有更多实验结果出来。

论文地址：

https://arxiv.org/pdf/1912.05992.pdf

作者称代码将开源，不过还没公布地址。