Selektiver Merkmalsblock und gemeinsamer IoU-Verlust für die Objekterkennung

Die Objekterkennung ist ein wichtiges Problem im Bereich der Computer Vision, und Merkmalsfusion sowie die Regression von Begrenzungsrahmen sind unverzichtbar in den gängigen Ansätzen zur Objekterkennung. Einige Detektoren verwenden jedoch das Feature Pyramid Network, was die Trainings- und Erkennungszeit erhöht. In Bezug auf die Regressionsverlustfunktion haben einige neuere Techniken, die auf dem Intersection over Union (IoU) Verlust basieren, negative Auswirkungen auf die Regression von Begrenzungsrahmen. Um diese Mängel zu überwinden, schlagen wir in diesem Artikel den Selektiven Merkmalsblock (SFBlock) und den Gemeinsamen IoU (JIoU) Verlust vor. Der vorgeschlagene SFBlock wählt adaptiv die aus dem Backbone extrahierten Merkmale aus und fusioniert sie zu einem neuen Merkmal. Wir fügen einen Strafterm für die Schnittfläche zwischen dem Vorhersage-Rahmen und dem Zielrahmen auf den Verallgemeinerten IoU (GIoU) Verlust hinzu, um das Problem zu lösen, dass der GIoU Verlust in den IoU Verlust degeneriert, wenn der Vorhersage-Rahmen und der Zielrahmen einander umgeben. Eine Vielzahl von Ablations- und Vergleichsexperimenten werden durchgeführt, um die Wirksamkeit der vorgeschlagenen Methoden auf verschiedenen Modellen und Datensätzen zu beweisen.