点击我爱计算机视觉标星，更快获取CVML新技术
今天新出的一篇论文IoU-aware Single-stage Object Detector for Accurate Localization，提出一种非常简单的目标检测定位改进方法，通过预测目标候选包围框与真实目标标注的IoU（交并比），并基于此与分类分数的乘积作为检测置信度，用于NMS（非极大抑制）和COCO AP计算，显著提高了目标检测的定位精度。
该文作者信息：
作者均来自华中科技大学。
在目标检测问题中，模型需要输出目标分类分数和与其对应的目标定位的包围框，在以往的模型中，经常使用分类分数作为目标定位准不准的置信度，并基于此对大量候选目标包围框NMS，现在越来越多的工作发现，分类分数高并不能保证定位精度高。
比如：
Softer-NMS:CMU&旷视最新论文提出定位更加精确的目标检测算法
作者认为IoU是直接反应定位准不准的直接指标，可以在目标检测模型的分类和定位任务的基础上添加IoU预测的任务，可以在一定程度上反应定位置信度。
作者是在著明的一阶段目标检测算法RetinaNet基础上做的改进，如下图：
在包围框回归分支添加一个并行的预测IoU的任务。
相关的损失函数数学描述：
作者将分类分数和预测得到的IoU相乘，这个指标既反应了是不是这个目标，又反应了该位置和真实目标的可能的交并比，认为它是更加精确的检测置信度：
公式中参数 α 用于控制两者的贡献大小。
实验结果
作者在COCO test-dev上与其他State-of-the-art算法的结果比较：
可见，相比于基线RetinaNet，取得了显著的AP提升，提升在1.0%∼1.6%之间。
在PASCAL VOC数据集上与RetinaNet的比较结果：
同样取得了显著的AP提升，AP 提升在1.1%∼2.2%之间。
这篇文章尽管思路比较简单，但改进还是明显的，希望对其他目标检测算法也有效，期待有更多实验结果出来。
论文地址：
https://arxiv.org/pdf/1912.05992.pdf
作者称代码将开源，不过还没公布地址。
在我爱计算机视觉公众号后台回复“IoU检测”，即可收到论文下载地址。
推荐阅读：
RefineDetLite：腾讯提出轻量级高精度目标检测网络
EfficientDet：COCO 51.0 mAP！谷歌大脑提出目标检测新标杆
目标检测交流群
关注最新最前沿的2D、3D目标检测技术，扫码添加CV君拉你入群，（如已为CV君其他账号好友请直接私信）
（请务必注明：目标检测）
喜欢在QQ交流的童鞋，可以加52CV官方QQ群：805388940。
（不会时时在线，如果没能及时通过验证还请见谅）
长按关注我爱计算机视觉