CVPR2019(FSAF)Feature Selective Anchor-Free Module实验设计

论文《Feature Selective Anchor-Free Module for Single-Shot Object Detection》（CVPR2019）

论文的主要贡献在特征金字塔的基础上，提出Feature Selective Achor-Free Model ，通过学习的方式，对不同大小的实例，选择不同level的特征，来解决启发式特征选择的弊端。

本文主要记录论文的实验设计

1.数据集

---

论文的实验都是在coco数据集上进行的。

2.Ablation Studies（消融实验）

---

数据：training and test 图像都是 800pixels

1.评估Anchor-Free branches

整体思路是Anchor-based VS Anchor-free（又包括启发式特征选择vs在线特征选择）。最终比较结果是Mix好，也就是Anchor-based+Anchor-Free(在线特征选择)。

又通过图片结果，直观的展示了提出的FSAF比RetinaNet（Anchor-based）能更好的检测难检测的物体（如小，窄物体）。

2.评估在线特征选择

比较Anchor-Free的两种特征选择策略：启发式VS在线学习式，（Anchor-based+启发式）VS（Anchor-based+在线式）

结果是在线特征选择对于anchor-based+anchor-free有益

然后论文可视化地比较了Anchor-based提取的特征level和Anchor-Free提取的特征level

3.FSAF适用于现有的网络框架

在ResNet50，ResNet-101，ResNeXt-101上比较RetinaNet（Anchor-based）、FSAF、Anchor-based+FSAF

3.Comparison to State of the art(与现有方法比较)

---

比较工作分别在单尺度和多尺度两个方面进行。与现有的single-shot和multi-shot比较

 

 

可以看出，在同样以resNet-101为backbone network时，论文在多尺度上的结果已经超过了Multi-shot。

最后呢，在ResNeXt-101上也超过了目前最好的GHM800