Do We Still Need Non-Maximum Suppression? Accurate Confidence Estimates and Implicit Duplication Modeling with IoU-Aware Calibration

要約

物体検出器は、多くの半自律的および完全自律的意思決定システムの中心であり、さらに不可欠なものになる傾向にあります。
ただし、それらはまだアクセスしやすさに欠けており、信頼性の低い予測を生成する可能性があります。
この点で特に懸念されるのは、難読化された予測プロセスと偏った信頼推定値につながる、本質的に手作りの非最大抑制アルゴリズムです。
IoU 対応のキャリブレーションを使用することで、古典的な NMS スタイルの後処理を排除できることを示します。
IoU 対応のキャリブレーションは条件付きのベータ キャリブレーションです。
これにより、ハイパーパラメータなしで並列化できるようになります。
恣意的なカットオフや割引の代わりに、各検出が重複する可能性を暗黙的に考慮し、それに応じて信頼スコアを調整することで、各検出の経験に基づいた精度推定値が得られます。
さまざまな検出アーキテクチャに関する広範な実験により、提案された IoU 認識キャリブレーションが重複検出を適切にモデル化し、キャリブレーションを改善できることが示されました。
標準的な逐次 NMS およびキャリブレーション アプローチと比較して、当社の共同モデリングは、より複雑さを軽減しながら一貫してより適切にキャリブレーションされた信頼性予測を生成しながら、最良の NMS ベースの代替案よりもパフォーマンスの向上を実現できます。
すべての実験の \hyperlink{https://github.com/Blueblue4/IoU-AwareCalibration}{code} は公開されています。

要約(オリジナル)

Object detectors are at the heart of many semi- and fully autonomous decision systems and are poised to become even more indispensable. They are, however, still lacking in accessibility and can sometimes produce unreliable predictions. Especially concerning in this regard are the — essentially hand-crafted — non-maximum suppression algorithms that lead to an obfuscated prediction process and biased confidence estimates. We show that we can eliminate classic NMS-style post-processing by using IoU-aware calibration. IoU-aware calibration is a conditional Beta calibration; this makes it parallelizable with no hyper-parameters. Instead of arbitrary cutoffs or discounts, it implicitly accounts for the likelihood of each detection being a duplicate and adjusts the confidence score accordingly, resulting in empirically based precision estimates for each detection. Our extensive experiments on diverse detection architectures show that the proposed IoU-aware calibration can successfully model duplicate detections and improve calibration. Compared to the standard sequential NMS and calibration approach, our joint modeling can deliver performance gains over the best NMS-based alternative while producing consistently better-calibrated confidence predictions with less complexity. The \hyperlink{https://github.com/Blueblue4/IoU-AwareCalibration}{code} for all our experiments is publicly available.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google