Confidence Propagation Cluster: 一个来自CVPR2022的目标检测涨点神器(CP-Cluster)

在前不久刚放榜的CVPR2022中有一篇来自NVIDIA的关于目标检测后处理的文章 “Confidence Propagation Cluster: Unleash Full Potential of Object Detectors”
https://arxiv.org/abs/2112.00342https://arxiv.org/abs/2112.00342

GitHub - shenyi0220/CP-ClusterContribute to shenyi0220/CP-Cluster development by creating an account on GitHub.https://github.com/shenyi0220/CP-Cluster

该文的整体思路是要干掉已经用了很久了的NMS和Soft-NMS。作者在文中表示传统的基于NMS的方法及其改进算法主要有以下一些缺陷：

无法达到完全并行化，因为所有算法的前提是要先按置信度进行排序
严格假设最高置信度的框就是和GT最接近的
NMS系列只是去重，并没有考虑怎么加强那些重要的True positives，也没有充分利用那些被suppress的弱框

基于此，这篇论文借用了置信度传播的思路(Belief Propagation)，把候选框聚类去重问题转化为在无向图中传播置信度这一任务。

作者先把所有候选框转成无向图的集合(IOU<? 的框属于一个图）。然后在每个图中，节点之间相互同时传递正面消息(Positive Message)和负面消息(Negative Message)。最后在重复的框被消除掉的同时，那些被选出的框的置信度也被加强了(Enhanced)

我们首先来看把候选框聚类问题转化为无向图的集合，如下图所示：

接着我们来看正面消息的传递，这个是这篇文章主要创新点，因为之前从没有后处理方法涉及增强某些重要的候选框。作者提出的正面消息会加强那些周围弱样本框比较多的True Positives，如下图所示：

红框因为周围的所谓若样本朋友(weaker friends)比较多，所以他的置信度得到了加强，超越了绿框。具体来说，用如下公式来传递正面消息：

说完正面消息，我们来看负面消息。文中提到的负面消息其实和之前的SoftNMS里用到的负面消息类似，区别只是在于在CP-Cluster中负面消息只在单个Graph里传播，用于Suppress重复框。

CP-Cluster是迭代执行的，作者通过实验发现一般执行2轮就能收敛到最优解。从实验效果来看mAP提升幅度对每个检测器因人而异，但基本都有提升。

从作者源代码来看，除了DETR这种完全end2end的，其他都能用这个方法涨点。比如下面的基于mmdetection的各种主流检测器

然后Yolov5(v6.1 on coco-val)

Model	NMS	Soft-NMS	CP-Cluster
Yolov5n	28.0	28.3	28.5
Yolov5s	37.4	37.6	38.0
Yolov5m	45.4	45.6	45.8
Yolov5l	49.0	49.1	49.4
Yolov5x	50.7	50.8	51.1
Yolov5s6_1280	44.9	45.0	45.2
Yolov5m6_1280	51.3	51.5	51.7
Yolov5l6_1280	53.7	53.8	54.0
Yolov5x6_1280	55.0	55.1	55.4
Yolov5x6_1280_tta	55.8	55.8	56.2

同样也能改进YoloX系列(on coco-val)

Method/mAP	YoloX-Nano	YoloX-Tiny	YoloX-S	YoloX-M	YoloX-L	YoloX-X
NMS	25.8	32.8	40.5	46.9	49.7	51.1
CP-Cluster	26.4	33.4	41.0	47.3	50.1	51.4

结合MaskRCNN 检测器与实例分割一起刷(对一些大的MRCNN模型似乎效果不明显）

Box/Mask AP(test-dev)	NMS	Soft-NMS	CP-Cluster
MRCNN_R50	41.5/37.7	42.0/37.8	42.2/38.1
MRCNN_R101	43.1/38.8	43.6/39.0	43.7/39.2
MRCNN_X101	44.6/40.0	45.2/40.2	45.2/40.2

Box/Mask AP(val)	NMS	Soft-NMS	CP-Cluster
MRCNN_Swin-S	48.2/43.2	48.9/43.4	49.0/43.4

甚至还能改进像Centernet这种说不用后处理的检测器(直接用CP替换maxpooling)

Confidence Propagation Cluster: 一个来自CVPR2022的目标检测涨点神器(CP-Cluster)相关推荐

CVPR2022 3D目标检测（GLENet ）增强型3D目标检测网络
图 1:(a) 给定一个不完整 LiDAR 观测的对象,可能存在多个具有不同大小和形状的潜在合理的真实边界框. (b) 当注释来自 2D 图像和部分点时,标签过程中的模糊和不准确是不可避免的.在给定的 ...
基于PaddleDetection-YOLOV3做一个完整的图形目标检测项目
文章目录一.环境部署二.数据准备三.训练四.训练过程可视化五.模型预测一.环境部署 1.1安装PaddlePaddle 安装地址如下: https://www.paddlepaddle.o ...
目标检测-小目标检测涨点方法
文章目录一.图片输入层面 1. 数据增强策略 2. 多尺度输入 3. SNIP 4. SNIPER 二. Neck部分(采用金字塔结构改进方案的) 1. 某种金字塔 2. AugFPN 3. PAN ...
CVPR2022目标检测文章汇总+创新点简要分析
大概总结了一下CVPR2022目标检测领域的文章,并未包括跨域和3D目标检测. 个人总结,难免有疏漏,大家参考一下就好. CVPR 2022 一.常规目标检测 1. MViTv2: Improved ...
python实现目标检测_由浅入深：教你如何构建一个行人目标检测模型（Python）
摘要: 零基础也能构建一个目标检测(对象检测)模型?小编教你使用Image AI库从头开始构建一个行人检测模型. 当我们看到一张图片时,我们的大脑会立即识别图片中所包含的物体.而对于机器来说,识别这些 ...
目标检测经典论文——YOLOV2论文翻译：YOLO9000: Better, Faster, Stronger（YOLO9000：更好、更快、更强）
YOLO9000: Better, Faster, Stronger YOLO9000:更好.更快.更强 Joseph Redmon*†, Ali Farhadi*† University of Wa ...
深度学习论文阅读目标检测篇（五）中英对照版：YOLOv2《 YOLO9000: Better, Faster, Stronger》
深度学习论文阅读目标检测篇(五)中文版:YOLOv2< YOLO9000: Better, Faster, Stronger> Abstract 摘要 1. Introduction 1. ...
一文看尽目标检测：从YOLO v1到v3的进化之路
本文转载自: http://www.mamicode.com/info-detail-2314392.html 导语:如今基于深度学习的目标检测已经逐渐成为自动驾驶.视频监控.机械加工.智能机器人等领 ...
独家 | 在树莓派+Movidius NCS上运用YOLO和Tiny-YOLO完成目标检测（附代码下载）
作者:Adrian Rosebrock 翻译:吴振东校对:郑滋本文约5000字,建议阅读10+分钟本文教你如何在树莓派和Movidius神经加速棒上运用Tiny-YOLO来实现近乎实时的目标检测 ...

Confidence Propagation Cluster: 一个来自CVPR2022的目标检测涨点神器(CP-Cluster)

Confidence Propagation Cluster: 一个来自CVPR2022的目标检测涨点神器(CP-Cluster)相关推荐

最新文章

热门文章