【ICCV2021】TOOD: Task-aligned One-stage Object Detection【待完善。。。】

太长不看版

通俗来说设计了一种新的检测头加入了新的标签分配和新的loss在coco数据集上单模型取得了不错的效果。

存在问题

单阶段目标检测通常是通过优化两个子任务来实现的：目标分类和定位，使用具有两个并行分支的头部，这可能导致两个任务之间的预测存在一定程度的空间错位。

解决方法

• 首先，我们设计了一种新的任务对齐头部(T-Head)，它在学习任务交互特征和任务特定特征之间提供了更好的平衡，并通过任务对齐预测器学习对齐的灵活性提高。
• 其次，我们提出了任务对齐学习(TAL)，通过设计的样本分配方案和`任务对齐loss，明确地拉近（甚至统一）两个任务的最优锚点
  

Introduction

目标检测旨在从自然图像中定位和识别感兴趣的目标，它通常被认为是一个多任务学习包括定位和分类。分类旨在学习物体显著或关键的特征，定位旨在精确定位物体的位置。由于分类和定位的学习机制不同，两个任务的学习特征的空间分布可能会不同，当使用两个独立的分支进行预测时，会导致一定程度的错位。