DETA：基于Transformer的NMS(非极大值抑制)新目标检测器

[189****6672]

转载： CVer计算机视觉（知乎）

一句话总结

本文发现one-to-one匈牙利匹配对于DETR(DEtection TRansformer)是不必要的，并提出用传统的NMS方法训练可变形DETR，可显著提高性能，进一步提出DETA（Detection Transformers with Assignment）新目标检测器，性能表现SOTA！代码刚刚开源！

NMS Strikes Back

单位：UT Austin（作者列表中有CenterNet/CenterTrack一作）

代码：https://github.com/jozhang97/DETA

论文：https://arxiv.org/abs/2212.06137

检测Transformer（DETR）在训练期间通过使用one-to-one 二分匹配将查询直接转换为唯一对象，并启用端到端目标检测。

最近，这些模型以不可否认的优雅超越了COCO上的传统检测器。然而，它们在多个设计上不同于传统检测器，包括模型架构和训练时间表，因此一对一匹配的有效性还没有得到充分理解。

在这项工作中，我们对DETR中的一对一匈牙利匹配和非极大值抑制（NMS）的传统检测器中的一对多标签分配进行了严格的比较。

算法细节

实验结果

令人惊讶的是，我们观察到NMS的一对多分配在相同设置下始终优于标准的一对一匹配，增益高达2.5 mAP。我们的检测器使用传统的基于IoU的标签分配训练可变形DETR，使用ResNet50主干在12个时期（1x schedule）内实现了50.2 COCO mAP，在该设置下优于所有现有的传统或基于Transformer的检测器。

在多个数据集、时间表和架构上，我们一致表明二分匹配对于高性能检测Transformer是不必要的。此外，我们将检测Transformer的成功归因于其富有表现力的Transformer架构。