Weiche Ankerpunkte für die Objekterkennung

Kürzlich haben anchor-free Erkennungsmethoden große Fortschritte gemacht. Die beiden Hauptgruppen, anchor-point Erkennung und key-point Erkennung, befinden sich an entgegengesetzten Enden des Spannungsfeldes zwischen Geschwindigkeit und Genauigkeit, wobei anchor-point Detektoren den Vorteil in Bezug auf Geschwindigkeit haben. In dieser Arbeit verbessern wir die Leistung der anchor-point Detektoren gegenüber den key-point Detektoren, während wir gleichzeitig den Geschwindigkeitsvorteil beibehalten. Um dies zu erreichen, formulieren wir das Erkennungsproblem aus der Perspektive des Anchor Points und identifizieren ineffektives Training als das Hauptproblem. Unser zentrales Erkenntnis ist, dass Anchor Points sowohl innerhalb als auch über alle Ebenen der Merkmalspyramide hinweg gemeinsam optimiert werden sollten. Wir schlagen eine einfache aber effektive Trainingsstrategie vor, die soft-gewichtete Anchor Points und soft-ausgewählte Pyramidebenen umfasst, um jeweils das Problem der fehlerhaften Aufmerksamkeit innerhalb jeder Pyramidebene sowie das Problem der Merkmalsausscheidung über alle Pyramidebenen hinweg anzugehen. Um die Effektivität zu bewerten, trainieren wir einen einstufigen anchor-free Detektor namens Soft Anchor-Point Detector (SAPD). Experimente zeigen, dass unser prägnanter SAPD das Spannungsfeld zwischen Geschwindigkeit und Genauigkeit auf ein neues Niveau hebt und dabei aktuelle state-of-the-art anchor-free und anchor-basierte Detektoren übertreffen kann. Ohne zusätzliche Verfeinerungen erreicht unser bestes Modell einen Einzelmodell-Einzelskalen AP von 47,4% auf COCO.