3、实验
3.1、消融实验
1、模糊Anchor的数量
在o2f方法中,选择了K个既有正损失也有负损失的模糊Anchor。在COCO值集上消融表2中的这个超参数K。可以看出,当K等于7时,获得了最佳AP性能39.0(没有NMS)。在剩下的实验中,将K设置为7。
2、和
这两个参数分别控制训练过程中第一个和最后一个Epoch中模糊Anchor的正损失权重。表3显示了通过使用和的不同组合对COCO val集的结果。可以看到,当设置为更高的值(如0.6)时,增加将降低没有NMS的端到端检测性能。这意味着一个小的有助于缩小“无NMS”和“有NMS”之间的性能差距。
同时,当设置为较小的值(如0.1)时,由于正样本的数量有限,在有NMS和没有NMS的情况下,较小的可能会降低性能。当将和分别设置为0.6和0.2时,达到了最佳AP性能39.0,这是实验中的默认设置。
3、选择度量
作者进一步探讨了匹配函数在选择特定的正Anchor和模糊Anchor时的作用。如表4所示,方法“Multiply”表示Eq.1中的匹配函数,而方法“Add”表示将Eq.1更改为,这是DETR中常用的度量。
作者发现在没有NMS的情况下,只考虑分类得分(即α)会降低性能。仅考虑回归IoU(即α)可能导致重复预测,并显著扩大与NMS的差距。还可以看到,“乘法”更适合密集检测,它比最佳的“加法”结果获得1.1点的增益。在其余实验中,选择“乘法”并设置α。
3.2、SOTA实验
1、COCO
2、CrowdHuman
3、实例分割
3.3、可视化结果
4、参考
[1].One-to-Few Label Assignment for End-to-End Dense Detection.