访问官网
Github
论文具有不确定性的边界框回归用于准确目标检测
GitHub - yihui-he/KL-Loss: 具有不确定性的边界框回归用于准确目标检测 (CVPR'19)
CVPR 2019 [演示 (YouTube)]
何宜晖、朱晨晨、王建仁、Marios Savvides、张祥雨，卡内基梅隆大学 & 旷视科技
https://www.youtube.com/embed/bcGtNdTzdkc
目录
大规模目标检测数据集（如 MS-COCO）试图尽可能清晰地定义真实边界框。然而，我们观察到在标注边界框时仍然引入了模糊性。在本文中，我们提出了一种新的边界框回归损失函数，用于同时学习边界框变换和定位方差。我们的损失函数极大地提高了各种架构的定位精度，几乎没有额外的计算量。学习到的定位方差允许我们在非极大值抑制（NMS）期间合并相邻的边界框，从而进一步提高定位性能。在 MS-COCO 数据集上，我们将 VGG-16 Faster R-CNN 的平均精度（AP）从 23.6% 提高到 29.1%。更重要的是，对于 ResNet-50-FPN Mask R-CNN，我们的方法将 AP 和 AP90 分别提高了 1.8% 和 6.2%，显著优于之前最先进的边界框优化方法。
引用
如果您在研究中发现本代码有用，请考虑引用：
@InProceedings{klloss,
author = {He, Yihui and Zhu, Chenchen and Wang, Jianren and Savvides, Marios and Zhang, Xiangyu},
title = {Bounding Box Regression With Uncertainty for Accurate Object Detection},
booktitle = {The IEEE Conference on Computer Vision and Pattern Recognition (CVPR)},
month = {June},
year = {2019}
}
安装
请在 [INSTALL.md](https://github.com/ethanhe42/KL-Loss/blob/master/INSTALL.md 中查找 Caffe2 和 Detectron 的安装说明。
安装 cocoapi 时，请使用我的分支以获取 AP80 和 AP90 分数。
测试
不使用 Var Voting 的推理（8 个 GPU）：
python2 tools/test_net.py -c configs/e2e_faster_rcnn_R-50-FPN_2x.yaml
你将得到：
平均精度 (AP) @[ IoU=0.50:0.95 | 区域= 全部 | 最大检测数=100 ] = 0.385
平均精度 (AP) @[ IoU=0.50 | 区域= 全部 | 最大检测数=100 ] = 0.578
平均精度 (AP) @[ IoU=0.75 | 区域= 全部 | 最大检测数=100 ] = 0.412
平均精度 (AP) @[ IoU=0.50:0.95 | 区域= 小型 | 最大检测数=100 ] = 0.209
平均精度 (AP) @[ IoU=0.50:0.95 | 区域= 中型 | 最大检测数=100 ] = 0.412
平均精度 (AP) @[ IoU=0.50:0.95 | 区域= 大型 | 最大检测数=100 ] = 0.515
平均召回率 (AR) @[ IoU=0.50:0.95 | 区域= 全部 | 最大检测数= 1 ] = 0.323
平均召回率 (AR) @[ IoU=0.50:0.95 | 区域= 全部 | 最大检测数= 10 ] = 0.499
平均召回率 (AR) @[ IoU=0.50:0.95 | 区域= 全部 | 最大检测数=100 ] = 0.522
平均召回率 (AR) @[ IoU=0.50:0.95 | 区域= 小型 | 最大检测数=100 ] = 0.321
平均召回率 (AR) @[ IoU=0.50:0.95 | 区域= 中型 | 最大检测数=100 ] = 0.553
平均召回率 (AR) @[ IoU=0.50:0.95 | 区域= 大型 | 最大检测数=100 ] = 0.680
平均精度 (AP) @[ IoU=0.60 | 区域= 全部 | 最大检测数=100 ] = 0.533
平均精度 (AP) @[ IoU=0.70 | 区域= 全部 | 最大检测数=100 ] = 0.461
平均精度 (AP) @[ IoU=0.80 | 区域= 全部 | 最大检测数=100 ] = 0.350
平均精度 (AP) @[ IoU=0.85 | 区域= 全部 | 最大检测数=100 ] = 0.269
平均精度 (AP) @[ IoU=0.90 | 区域= 全部 | 最大检测数=100 ] = 0.154
平均精度 (AP) @[ IoU=0.95 | 区域= 全部 | 最大检测数=100 ] = 0.032
使用变量投票进行推理:
python2 tools/test_net.py -c configs/e2e_faster_rcnn_R-50-FPN_2x.yaml STD_NMS True
你将得到:
平均精度 (AP) @[ IoU=0.50:0.95 | 区域= 全部 | 最大检测数=100 ] = 0.392
平均精度 (AP) @[ IoU=0.50 | 区域= 全部 | 最大检测数=100 ] = 0.576
平均精度 (AP) @[ IoU=0.75 | 区域= 全部 | 最大检测数=100 ] = 0.425
平均精度 (AP) @[ IoU=0.50:0.95 | 区域= 小型 | 最大检测数=100 ] = 0.212
平均精度 (AP) @[ IoU=0.50:0.95 | 区域= 中型 | 最大检测数=100 ] = 0.417
平均精度 (AP) @[ IoU=0.50:0.95 | 区域= 大型 | 最大检测数=100 ] = 0.526
平均召回率 (AR) @[ IoU=0.50:0.95 | 区域= 全部 | 最大检测数= 1 ] = 0.324
平均召回率 (AR) @[ IoU=0.50:0.95 | 区域= 全部 | 最大检测数= 10 ] = 0.528
平均召回率 (AR) @[ IoU=0.50:0.95 | 区域= 全部 | 最大检测数=100 ] = 0.564
平均召回率 (AR) @[ IoU=0.50:0.95 | 区域= 小型 | 最大检测数=100 ] = 0.346
平均召回率 (AR) @[ IoU=0.50:0.95 | 区域= 中型 | 最大检测数=100 ] = 0.594
平均召回率 (AR) @[ IoU=0.50:0.95 | 区域= 大型 | 最大检测数=100 ] = 0.736
平均精度 (AP) @[ IoU=0.60 | 区域= 全部 | 最大检测数=100 ] = 0.536
平均精度 (AP) @[ IoU=0.70 | 区域= 全部 | 最大检测数=100 ] = 0.472
平均精度 (AP) @[ IoU=0.80 | 区域= 全部 | 最大检测数=100 ] = 0.363
平均精度 (AP) @[ IoU=0.85 | 区域= 全部 | 最大检测数=100 ] = 0.281
平均精度 (AP) @[ IoU=0.90 | 区域= 全部 | 最大检测数=100 ] = 0.165
平均精度 (AP) @[ IoU=0.95 | 区域= 全部 | 最大检测数=100 ] = 0.037
训练
python2 tools/train_net.py -c configs/e2e_faster_rcnn_R-50-FPN_2x.yaml
PyTorch 重新实现
Stronger-yolo-pytorch: yolov3 + KL损失
常见问题
请创建一个新的issue。
