用於目標檢測的簡單粗暴的預訓練加載方法
實驗表明，與ImageNet 預訓練相比，使用拼圖預訓練的模型能夠實現同等甚至更好的檢測性能。
作者團隊：悉尼大學(歐陽萬里等)&中科院&商湯
PS：其實這個方法和4月剛開源的YOLOv4裏的Mosaic數據增廣有點類似
在本文中，我們提出了一種用於目標檢測的通用且有效的預訓練範式，即拼圖預訓練（Jigsaw pre-training）。與廣泛採用的ImageNet預訓練相比，拼圖預訓練僅需要目標檢測數據集，而僅佔用1/4的計算資源。爲了構建這種有效的範式，我們通過從原始圖像中仔細提取有用的樣本，以拼圖的方式組裝樣本作爲輸入，並使用支持ERF的密集分類策略進行模型預訓練來減少潛在的冗餘。這些設計不僅包括改善空間利用率的新輸入模式，而且還包括擴展預訓練模型的有效接受範圍的新穎學習目標。通過在MS-COCO數據集上進行的大量實驗驗證了拼圖預訓練的效率和優越性，結果表明，與ImageNet 預訓練相比，使用拼圖預訓練的模型能夠實現同等甚至更好的檢測性能。 《Cheaper Pre-training Lunch: An Efficient Paradigm for Object Detection》
論文下載鏈接：https://arxiv.org/abs/2004.12178
關鍵詞：#論文速遞# #目標檢測# #數據增廣#