无锚框目标检测模型特征任务不对齐研究

来源：计算机工程与应用杂志2023年第11期北京时间：

作者：郝帅征, 刘宏哲

单位：1.北京联合大学 北京市信息服务工程重点实验室，北京 100101；2.北京联合大学 机器人学院，北京 100101

摘要：通常的目标检测模型由分类任务和回归任务构成。由于不同的任务驱动因素，模型中头部对应的这两个任务分支网络对来自同一输入图片、同一个实例的特征具有不同的敏感性。这就造成了检测模型对于相同位置的特征、分类效果和回归效果相差巨大的问题，也就是任务特征不对齐的问题。但是通用的目标检测后处理办法，仅以分类分数作为非极大抑制过程的标准，带来了大量回归质量较差、但置信度很高的检测结果。对现代化的无锚框网络展开不对齐问题的研究分析，将问题进一步拆解为尺度层级上的不对齐和空间位置上的不对齐。提出了参数量代价最小的解决方案：使用可变形卷积模块对检测模型头部网络的感受野进行微调，使用考虑样本点对齐效果的标签分配机制进行对齐样本点的挖掘，创新性地解决了上述两个子问题。进一步的详细实验和对比分析证明了该工作的有效性和实用性，以及对不同特征提取骨干网络的鲁棒性。

关键词：目标检测,深度学习,无锚框检测器,标签分配机制