摘要

大多数深度学习目标检测器基于锚框（anchor）机制，并依赖于预定义锚框与真实框之间的交并比（Intersection over Union, IoU）来评估锚框与目标之间的匹配质量。本文对这一IoU的使用方式提出质疑，并提出一种新的锚框匹配准则：在训练阶段，该准则通过同时优化定位任务与分类任务来引导锚框匹配过程——即某一任务的预测结果用于动态分配正样本锚框，从而提升另一任务的性能，反之亦然。尽管所提出方法结构简单，但在PASCAL VOC与MS COCO数据集上，针对多种前沿深度学习检测架构的实验结果表明，该互引导（Mutual Guidance）策略具有显著的有效性与良好的通用性。