【ASFF】《Learning Spatial Fusion for Single-Shot Object Detection》

最新推荐文章于 2024-09-26 17:23:00 发布

bryant_meng

最新推荐文章于 2024-09-26 17:23:00 发布

阅读量1k

点赞数 17

分类专栏： CNN / Transformer 文章标签：目标检测人工智能计算机视觉 ASFF

本文链接：https://blog.csdn.net/bryant_meng/article/details/140657746

版权

CNN / Transformer 专栏收录该内容

211 篇文章 7 订阅

订阅专栏

在这里插入图片描述

arXiv-2019

https://github.com/GOATmessi7/ASFF

1 Background and Motivation

目标检测任务中，特征金字塔技术可以缓解目标的 scale variation（同一类物体，物体的尺寸可能不一样）

the inconsistency across different feature scales is a primary limitation for the single-shot detectors based on feature pyramid（同一类物体，特征最好一样，但是由于尺寸原因，会分布在特征金字塔的不同 level 上，不同 level 的特征也没有强制协同，可能会影响效果）

if an image contains both small and large objects, the conflict among features at different levels tends to occupy the major part of the feature pyramid

作者提出 adaptively spatial feature fusion (ASFF)， improving the scale-invariance of features，nearly free inference overhead

在这里插入图片描述

2 Related Work

Feature pyramid representations or multi-level feature

still suffer from the inconsistency across different scales

作者的方法

adaptively learns the import degrees（入度） for different levels of features on each location to avoid spatial contradiction

3 Advantages / Contributions

提出 ASFF 模块，即插即用且基本 cost free，强化特征金字塔能力，to address the inconsistency in feature pyramids of single-shot detector

在 COCO 数据集上验证了其有效性

4 Method

4.1 Strong Baseline

开源的 yolov3 基础上，引入了一些比较好的 trick，效果提升明显

在这里插入图片描述
BoF 是 Bag of freebies

Zhang Z, He T, Zhang H, et al. Bag of freebies for training object detection neural networks[J]. arXiv preprint arXiv:1902.04103, 2019.

GA 是 guided anchoring

Wang J, Chen K, Yang S, et al. Region proposal by guided anchoring[C]//Proceedings of the IEEE/CVF conference on computer vision and pattern recognition. 2019: 2965-2974.

细节可以跳转到本博客最后总结部分

IoU 指的是额外引入了 IoU loss

4.2 Adaptively Spatial Feature Fusion

在这里插入图片描述

adaptively learn the spatial weight of fusion for feature maps at each scale

本文的核心

4.2.1 Feature Resizing

下采样 2 倍时，2-stride 1x1 convolution

下采样 4 倍时，add a 2-stride max pooling layer before the 2-stride convolution

上采样用的插值

4.2.2 Adaptive Fusion

核心公式

在这里插入图片描述

Let $x_{ij}^{n →l}$ denote the feature vector at the position (i, j) on the feature maps resized from level $n$ to level $l$ .

特征金字塔 resize 到同一尺寸，然后加权在一起，只不过加权的系数是 learning 出来的，权重 shared across all the channels，有点类似于空间注意力

$\alpha_{ij}^{l} + \beta_{ij}^{l} + \gamma_{ij}^{l} = 1$

加权系数约束到了和为1，实现的话就是 softmax

在这里插入图片描述

$\lambda$ 为 control parameters——代码中好像没有体现

看看代码

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]
        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) # 缩放后的特征图压缩成 16 通道
        level_1_weight_v = self.weight_level_1(level_1_resized) # 缩放后的特征图压缩成 16 通道
        level_2_weight_v = self.weight_level_2(level_2_resized) # 缩放后的特征图压缩成 16 通道
        levels_weight_v = torch.cat((level_0_weight_v, level_1_weight_v, level_2_weight_v),1) # concat 在一起
        levels_weight = self.weight_levels(levels_weight_v) # 变成 3 通道
        levels_weight = F.softmax(levels_weight, dim=1) # 沿通道做 softmax

        fused_out_reduced = level_0_resized * levels_weight[:,0:1,:,:]+\
                            level_1_resized * levels_weight[:,1:2,:,:]+\
                            level_2_resized * levels_weight[:,2:,:,:]  # 与缩放后的特征图加权在一起

        out = self.expand(fused_out_reduced) # 扩充通道数

        if self.vis:
            return out, levels_weight, fused_out_reduced.sum(dim=1)
        else:
            return out

其中 add_conv 定义如下

def add_conv(in_ch, out_ch, ksize, stride, leaky=True):
    """
    Add a conv2d / batchnorm / leaky ReLU block.
    Args:
        in_ch (int): number of input channels of the convolution layer.
        out_ch (int): number of output channels of the convolution layer.
        ksize (int): kernel size of the convolution layer.
        stride (int): stride of the convolution layer.
    Returns:
        stage (Sequential) : Sequential layers composing a convolution block.
    """
    stage = nn.Sequential()
    pad = (ksize - 1) // 2
    stage.add_module('conv', nn.Conv2d(in_channels=in_ch,
                                       out_channels=out_ch, kernel_size=ksize, stride=stride,
                                       padding=pad, bias=False))
    stage.add_module('batch_norm', nn.BatchNorm2d(out_ch))
    if leaky:
        stage.add_module('leaky', nn.LeakyReLU(0.1))
    else:
        stage.add_module('relu6', nn.ReLU6(inplace=True))
    return stage

level = 0
在这里插入图片描述

level = 1

在这里插入图片描述

level = 2

在这里插入图片描述

4.3 Consistency Property

反向传播推导推导

在这里插入图片描述
简化一下

在这里插入图片描述

感觉 resize 的时候如果涉及到了 conv + activation 的话，不太能简化吧，哈哈

进一步简化，当多个特征图融合的方式为 add 或者 concat 的时候

在这里插入图片描述
结果为

在这里插入图片描述
作者方法的反向传播公式为

在这里插入图片描述

这样通过设置 $\alpha$ 就可以避免各 level 梯度的影响

比如目标由 level 1 负责预测， $\alpha_{ij}^1 = 1$ , $\alpha_{ij}^2 = 0$ ， $\alpha_{ij}^3 = 1$

在这里插入图片描述

5 Experiments

5.1 Datasets and Metrics

MS COCO 2017

5.2 Ablation Study

（1）Solid Baseline

Table1，前面第四小节已介绍过了

（2） Effectiveness of Adjacent Ignore Regions

在这里插入图片描述

前面说梯度的时候说 ignor 不好，这里又是 ignore area，可能我还没有理解到精髓，需看看参考文献和代码加深下理解

（3）Adaptively Spatial Feature Fusion

exhibit the images that have several objects of different sizes

在这里插入图片描述

5.3 Evaluation on Other Single-Shot Detector

在这里插入图片描述

体现了其即插即用

5.4 Comparison to State of the Art

在这里插入图片描述

6 Conclusion（own） / Future work

trained to find the optimal fusion
fusion is differential（可微分的，也即可以反向传播）

Wang J, Chen K, Yang S, et al. Region proposal by guided anchoring[C]//Proceedings of the IEEE/CVF conference on computer vision and pattern recognition. 2019: 2965-2974.

目标检测正负样本区分策略和平衡策略总结(三）

在这里插入图片描述