目标检测经典数据集

Bounding Box Regression with Uncertainty for Accurate Object Detection

• 非极大抑制（non-maximun suppression，NMS）
• 本文目的：提出一种新颖的bounding box regression lossbounding\ box\ regression\ lossbounding box regression loss, for learning bounding box transformation and localization variance。
• 数据集：ImageNet，MS-COCO，CrowdHuman
• 对象检测器：Faster R-CNN，Cascade R-CNN，Mask R-CNN
• KL Loss使用的三个好处： 可以成功捕获数据集中的歧义。边界框回归器从模糊边界框中获得的损失较小。
• 学习到的方差在后处理期间是有用的。建议使用方差投票（variance voting），使用非极大抑制（NMS）期间通过预测方法加权的相邻方盒位置对候选方框的位置进行投票。
• 获得的概率分布是可解释的。由于它反映了边界预测的不确定性水平，因此可能对down-stream application应用（自动驾驶汽车和机器人技术）有所帮助。

第二点原文：We propose var voting (variance voting) to vote the location of a candidate box using its neighbors’ locations weighted by the predicted variances during nonmaximum suppression (NMS).