SAPD

摘要

  无anchor的目标检测也可以超越基于anchor的检测方法。我们在考虑这个方法的时候需要考虑两个方面的问题(其实无论是否基于anchor,都要考虑这两个方面的问题):(1)如何设计更好的head网络。(2)如何更好的利用金字塔的特征结构。针对这两个需要考虑的问题涉及到两个方面:attention bias和feature selection,针对这两个问题,我们提出了两个策略来解决:soft-weighted anchor points和soft-selected pyramid levels。

一、Introduction

  目前的anchor-free方法可以分为两种:1、point-to-boundary:预测特征图中的每一个像素值所对应的原图中的点与bbox四条边的距离。2、key-point:针对bbox,预测一些关键点,比如角点、中心点、极端点,然后把这些关键点形成一个box。
  key-point:优点:高AP;缺点:①需要使用那么高分辨率的特征图 ②高flops和内存消耗,训练和推理时间长 ③对现存的流行的backbone不兼容。
  anchor-point:优点:①更简单的网络结构 ②更快的训练和推理速度 ③可以更好的利用金字塔结构 ④更灵活的特征图选择; 缺点:同样的图片尺寸,准确率低于key-point,特别是定位精度。
  attention bias:在训练过程中,清晰的物体能够获得更好的注意力,这会容易忽视其他的物体。
  feature selection:传统的使用金字塔的方法会把每一个物体目标分配到某一个特定的特征层上,这样会导致没有充分利用金字塔层的作用。
  解决方案:(1)每一个position anchor给一个权重,而且这个权重和所在bbox中心点的距离有关。(2)每一个positive anchor都会选择所有的feature map,但是每一个map所起的作用会给一个权重,这个权重通过新设计的网络给出。

三、SAPD

  1、字母表示
  P_l:某一层特征金字塔,
  P_{lij}P_l中的i行j列的像素值
  (X_{lij}, Y_{lij})P_{lij}对应到原图中的坐标
  B = (c, x, y, w, h):bbox
  B_v = (c, x, y, \epsilon w, \epsilon h):缩放后的bbox,其中\epsilon是缩放因子。
  对于positive box:(1)分类目标:c;(2)定位目标:d = ( d^l, d^t, d^r, d^b),其中:


  对于negative box:(1)分类目标:c;(2)定位目标:无。
  2、损失函数

  (1)分类损失:Focal loss(l_{FL}),(2)定位损失:IoU loss(l_{IoU})。具体公式如下:



  3、soft-weighted anchor points
  对于传统的网络来说,在一张图片中,清晰显而易见的目标的分类过高,而且他们会抑制其他物体。从下图(b)中可以看出,有2个运动员在热图中占据的区域比真实情况大,更严重的是,他们有时候甚至会覆盖掉其他物体的区域。


  原因分析:目标边缘的得分太高。真实的情况是:边缘附近的anchor,它们会包含太多背景的部分,我们可以认为它们的代表性并没有那么高,但是在训练的时候却赋予了它们太高的分数。
  因此,对于靠近边缘的anchor point和靠近中心的anchor point不应该同等看待。
  解决方案:对每一个P_{lij}对应的原图中的anchor,如果是positive的,那么就给它们一个权重,权重W_{lij}如下所示:


  4、soft-selected pyramid levels
  anchor free的方法对于每一个目标不会人为限制它是属于哪张特征图,它可以属于任何一张,具体属于哪张我们交给网络自己学习。
  如下图所示,目标在每张特征图中都会有响应区域,但是在各张图中又会有一些不同。我们认为最终的结果应该是所有特征图共同决定的结果。

  所以,我们在训练和推理的过程中,应该同时使用多张特征图,而且每张特征图应该给予不同的权重。FoveaBox揭示了使用多张特征图可以提高效果,但是使用太多的特征图又会损失精度。我们分析这是由于硬选择造成的。对于每一个目标,FoveaBox采用的方法是直接判断某张特征图用或者不用,如果被选用了,那么所有被选用的特征图都被平等对待。
  解决方案:我们可以训练一个元网络来预测每一张特征图给予的权重。网络的输入层即是:各层的金字塔特征层,然后分别紧跟着ROIAlign层。然后把结果进行连接,最终通过全连接层接softmax函数输出。然后,我们使用网络输出的概率分布来选择不同的金字塔特征层。meta网络的损失函数为交叉熵(具体可参考FSAF模块)。网络的结构图如下所示:


最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 203,547评论 6 477
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 85,399评论 2 381
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 150,428评论 0 337
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,599评论 1 274
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,612评论 5 365
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,577评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,941评论 3 395
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,603评论 0 258
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,852评论 1 297
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,605评论 2 321
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,693评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,375评论 4 318
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,955评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,936评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,172评论 1 259
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 43,970评论 2 349
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,414评论 2 342

推荐阅读更多精彩内容