【论文解读】VarifocalNet：如何对候选框排序的最优方案
点击上方“AI公园”，关注公众号，选择加“星标“或“置顶” 导读 GFL之后，又来了VarifocalNet，而且效果更好，一起来关注一下。 代码：https://github.com/hyz-xmaster/VarifocalNet 论文：https://arxiv.org/abs/2008.13367 1. 介绍 现在的物体检测方法中的其中一个问题是，目标的分类得分无法代表对于其位置预测的质量，这导致有些位置预测很准的框的置信度不高，在做NMS的时候会被抑制掉。为了解决这个问题，也提出了很多的方法，比如用一个额外的IoU得分或者centerness的得分来对位置的预测质量进行评估，然后在做NMS的时候，把分类得分和位置质量得分相乘起来使用。但是这种方法并不是最优的，甚至会导致更差的结果，后面会说。如果是用一个小的网络去预测位置评分的话，这种方法不够优雅，需要额外的计算量。 为了克服这些缺点，我们可以思考一个问题：我们能不能将这个位置的质量预测合并到分类得分里面，而不是单独去预测一个定位的质量？也就是说，预测一个和定位相关的分类得分，或者是IoU相关的分类得分，叫做IACS。 我们的...
