Generalized Focal Loss V2: Learning Reliable Localization Quality Estimation for Dense Object Detect

本文观察到一般的统计分布与其真正的定位质量有很强的相关性，边界框分布的形状（平整度）可以清楚地反映预测结果地定位质量，分布越尖锐，预测的边界框越准确，反之亦然。输入（边框分布统计）和输出（LQE分数）是高度相关的。受到了这个启发，本文提出了一个只有几十个隐藏单元的非常轻量级的子网络，在这些分布统计的基础上产生可靠的LQE分数，显著提高了检测性能。

​ 本文第一次在端到端密集目标检测框架中，将边界框分布的统计与定位质量估计联系了起来，提出的这种轻量级子网络称为分布导向的质量预测器（DGQP—— Distribution-Guided Quality Predictor ），显著提升了AP值。
​ 由于之前的都是一些假想——输入（边框分布统计）和输出（LQE分数）是高度相关的，因此推测它比现有的方法中提出的卷积输入更有效。为了评估DGQP是否有利于定位质量的估计，计算了预测的IoU与真实的IoU之间的Pearson相关洗漱（PCC），实验表明其相关性得到了提升。因此表明定位质量得到了提升。