Assisted Excitation of Activations:A Learning Technique to Improve Object Detectors论文解读

Assisted Excitation of Activations:A Learning Technique to Improve Object Detectors

这是cvpr2019上的一篇文章，以yolo为例，没有修改网络结构，也没有增加额外的计算负担。
（1）目的：解决yolo定位不准确和样本不均匀的问题。
（2）改进点：在训练阶段加入Assisted Excitation（AE）模块，没有修改网络结构，也没有在训练阶段增加额外的计算负担。
（3）AE
1.Assisted Excitation策略来源于 curriculum learning(课程学习)这一思想，简单的理解就是从刚接手一项任务开始，先学习比较简单的任务，然后随着学习的不断深入，在学习复杂的任务，即学习强度从简单到复杂。
2.过程描述：在yolo网络中加入AE模块，它根据ground truth的位置，在原有的特征图上激发对应位置，如下图所示。

3.AE：
如下图所示，模型的输入是convLayer的输出，对输入的conv层在channels做平均操作得到一个单通道的average tensor，将单通道的average tensor与GT的mask进行点乘操作得到excitation tensor，再乘上激活因子α，最后将得到的值再和AE的输入conv层的每一个channel进行加操作。

4.公式
αL，α(L+1)代表第L层和L+1层的conv层，e是excitation tensor，α是激发因子，t是当前epoch。



其中α随着训练的进行，逐渐减小，最后变成0，这样AE模块的输入和输出是相同的。回到原始YOLO的训练模式。

5.AE模块的使用需要根据实践找到合适的位置，下面是在yolov2、yolov3上的使用位置。
（4）实验结果
由下图所示，加入AE的网络结果有明显提升，根据预测大小，将提出的方法YOLOv2+和YOLOv3+与其YOLOv2和YOLOv3+进行比较。如图所示，物体越大，得到的改进就越多。左图是map结果对比，右图IoU阈值对比。

（5）总结
整个网络架构几乎没有改变， 速度不变， 精度有所提升。不过唯一的问题就是需要去实践找到最适合的位置，这个会比较麻烦。