Acquisition of Localization Confidence for Accurate Object Detection

AcquisitionofLocalizationConfidenceforAccurateObjectDetection，现代基于cnn的目标检测器依赖于包围盒回归和非最大抑制来定位对象。类标签的概率自然反映了分类的可信度，而本土化置信度却是不存在的。这使得适当的本地化包围盒在迭代回归过程中退化，甚至在NMS期间被抑制。在本文中，我们提出了IOU-网络学习来预测每个检测到的边界盒与匹配的地面真相之间的IOU。网络获得了定位的可信度，通过保持精确的定域包围盒，进一步改进了nms过程，提出了一种基于优化的包围盒细化方法，该方法将预测的loo描述为在ms-coco数据集上进行的有效实验，以及它与几种先进的目标探测器的兼容性和适应性。