ASFF 空间自适应网络学习笔记（附代码）

最新推荐文章于 2025-02-23 12:23:52 发布

无妄无望

最新推荐文章于 2025-02-23 12:23:52 发布

阅读量1w

点赞数 11

文章标签：学习笔记 pytorch 算法深度学习

本文链接：https://blog.csdn.net/PLANTTHESON/article/details/133683518

版权

论文地址：https://browse.arxiv.org/pdf/1911.09516.pdf

github：https://gitcode.net/mirrors/ruinmessi/asff?utm_source=csdn_github_accelerator

1.是什么？

ASFF（Adaptive Structure Feature Fusion）网络是一种用于目标检测的神经网络模型。它是基于Faster R-CNN框架的一种改进，旨在提高特征融合的效果，从而改善目标检测的准确性和性能。

ASFF网络引入了自适应结构特征融合模块，用于融合多个不同层次的特征图。传统的目标检测网络通常只使用单一层次的特征图，而ASFF网络通过动态地选择和融合多层特征图，使得网络能够更好地捕捉目标的多尺度信息。

ASFF网络首先通过主干网络提取不同层次的特征图。然后，它使用自适应的注意力机制来对这些特征图进行加权融合，以便更好地保留重要的特征信息。最后，融合后的特征被传递给目标检测头部进行目标分类和定位。

相比传统的目标检测方法，ASFF网络在准确性和性能方面都有所提高。它能够更好地捕捉目标的多尺度信息，从而在目标检测任务中取得更好的效果。

2.为什么？

特征金字塔的一大缺点是不同尺度特征的不一致性，特别是对于一阶段检测器。确切地说，在FPN形式的网络中启发式地选择特征，高层语义信息中检测大目标、低层语义信息中检测小目标。当某个目标在某一层被当做正类时，相应地该目标区域在其它层被当做负类。如果一幅图像中既有大目标也有小目标，那么不同层间的特征的不一致性将会影响最后检测结果（大目标的检测在某一层，小目标的检测在另一层，但是网络的多尺寸检测不会仅仅检测一个特定的区域，而是综合整幅图进行检测。在特征融合时，其它层很多无用的信息也会融合进来）。

3.怎么样？

3.1 网络结构图

ASFF的关键思想是自适应地学习每个尺度特征图的融合空间权重，分为两步：恒等缩放和自适应融合。

3.2恒等缩放、

对于ASFF-1：对level-3的特征图做3x3MaxPool(stride=2)+3x3Conv(stride=2)得到 $X^{3\rightarrow 1}$ . 对level-2的特征图做3x3Conv(stride=2)得到 $X^{2\rightarrow 1}$ .
对于ASFF-2：对level-3的特征图做3x3Conv(stride=2)得到 $X^{3\rightarrow 2}$ . 对level-1的特征图做1x1Conv，并resize到原图分辨率2倍大小得到 $X^{1\rightarrow 2}$ .
对于ASFF-3：对level-2的特征图做1x1Conv，并resize到原图分辨率2倍大小，得到 $X^{2\rightarrow 3}$ 对level-1的特征图做1x1Conv，并resize到原图分辨率4倍大小，得到 $X^{1\rightarrow 3}$

3.3自适应融合

以ASFF-3为例，图中的绿色框描述了如何将特征进行融合，其中X1，X2，X3分别为来自level，level2，level3的特征，与为来自不同层的特征乘上权重参数α3，β3和γ3并相加，就能得到新的融合特征ASFF-3，如下面公式所示：

对于权重参数α，β和γ，则是通过resize后的level1~level3的特征图经过1×1的卷积得到的。并且参数α，β和γ经过concat之后通过softmax使得他们的范围都在[0,1]内并且和为1：

3.4 代码实现

class ASFF(nn.Module): 
     def __init__(self, level, rfb=False, vis=False): 
        super(ASFF, self).__init__() 
        self.level = level 
        self.dim = [512, 256, 256] 
        self.inter_dim = self.dim[self.level] 
        # 每个level融合前，需要先调整到一样的尺度
        if level==0: 
            self.stride_level_1 = add_conv(256, self.inter_dim, 3, 2) 
            self.stride_level_2 = add_conv(256, self.inter_dim, 3, 2) 
            self.expand = add_conv(self.inter_dim, 1024, 3, 1) 
        elif level==1: 
            self.compress_level_0 = add_conv(512, self.inter_dim, 1, 1) 
            self.stride_level_2 = add_conv(256, self.inter_dim, 3, 2) 
           self.expand = add_conv(self.inter_dim, 512, 3, 1) 
       elif level==2: 
           self.compress_level_0 = add_conv(512, self.inter_dim, 1, 1) 
           self.expand = add_conv(self.inter_dim, 256, 3, 1) 
       compress_c = 8 if rfb else 16  #when adding rfb, we use half number of channels to save memory 

       self.weight_level_0 = add_conv(self.inter_dim, compress_c, 1, 1) 
       self.weight_level_1 = add_conv(self.inter_dim, compress_c, 1, 1) 
       self.weight_level_2 = add_conv(self.inter_dim, compress_c, 1, 1) 

       self.weight_levels = nn.Conv2d(compress_c*3, 3, kernel_size=1, stride=1, padding=0) 
       self.vis= vis 
       
    def forward(self, x_level_0, x_level_1, x_level_2): 
        if self.level==0: 
           level_0_resized = x_level_0 
           level_1_resized = self.stride_level_1(x_level_1) 
 
           level_2_downsampled_inter =F.max_pool2d(x_level_2, 3, stride=2, padding=1) 
           level_2_resized = self.stride_level_2(level_2_downsampled_inter) 
 
       elif self.level==1: 
           level_0_compressed = self.compress_level_0(x_level_0) 
           level_0_resized =F.interpolate(level_0_compressed, scale_factor=2, mode='nearest') 
           level_1_resized =x_level_1 
           level_2_resized =self.stride_level_2(x_level_2) 
       elif self.level==2: 
           level_0_compressed = self.compress_level_0(x_level_0) 
           level_0_resized =F.interpolate(level_0_compressed, scale_factor=4, mode='nearest') 
           level_1_resized =F.interpolate(x_level_1, scale_factor=2, mode='nearest') 
          level_2_resized =x_level_2 
 
       level_0_weight_v = self.weight_level_0(level_0_resized) 
       level_1_weight_v = self.weight_level_1(level_1_resized) 
       level_2_weight_v = self.weight_level_2(level_2_resized) 
       levels_weight_v = torch.cat((level_0_weight_v, level_1_weight_v, level_2_weight_v),1) 
       # 学习的3个尺度权重
       levels_weight = self.weight_levels(levels_weight_v) 
       levels_weight = F.softmax(levels_weight, dim=1) 
       # 自适应权重融合
       fused_out_reduced = level_0_resized * levels_weight[:,0:1,:,:]+\ 
                           level_1_resized * levels_weight[:,1:2,:,:]+\ 
                           level_2_resized * levels_weight[:,2:,:,:] 
 
       out = self.expand(fused_out_reduced) 
 
       if self.vis: 
           return out, levels_weight, fused_out_reduced.sum(dim=1) 
       else: 
          return out

参考：【论文笔记】：ASFF:Learning Spatial Fusion for Single-Shot Object Detection

Adaptively Spatial Feature Fusion (ASFF）

FCOS加入ASFF的Attention机制