深度平衡对象检测和细分

科学领域:

• 计算机视觉 计算机视觉
• 机器学习 机器学习
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 基于查询的方法使用代精细化解码器进行对象检测和细分.
• 这些方法使用可学习的查询来表示对象实例,这些查询逐渐被改进.

研究的目的:

• 介绍使用深平衡模型的基于查询的新型对象解码器设计.
• 通过隐性层固定点解决增强查询精细化.

主要方法:

• 模型查询向量的精细化作为一个隐性层的固定点解决方案,使用一个两步解卷平衡方程.
• 在培训过程中,在不准确的梯度反向传播 (RAG) 中,纳入精细化意识.
• 采用一个深度监督方案,用于培训稳定性和通用性.

主要成果:

• 与AdaMixer相比,基于DEQ-Decoder的对象探测器DEQDet显示出更快的融合,更低的内存消耗和更高的性能.
• 在MS COCO上通过ResNet50和300个查询 (2次培训) 实现了49.6个mAP和33.9个AP.
• 在实例细分方面,DEQSeg展示了改进的盒子mAP和竞争性面具指标.

结论:

• 该DEQ-解码器提供了基于查询的对象检测和实例细分的有效方法.
• 提出的方法 (DEQDet和DEQSeg) 实现了最先进的结果,提高了效率.
• 公共可用的代码和模型有助于进一步的研究和应用.