Feature Selective Anchor-Free Module for Single-Shot Object Detection论文阅读

Feature Selective Anchor-Free Module for Single-Shot Object Detection

下载地址：Feature Selective Anchor-Free Module for Single-Shot Object Detection

论文代码：未公布

 

论文创新点：

       作者提出了一个FSAF网络结构块（feature selective anchor-free）。这个网络结构块可以添加到特征金字塔里面来提升检测精度。FSAF网络结构块主要是解决的基于anchor目标检测的两个问题 1. 启发式的引导特征选择 2. 基于重叠的anchor采样。FSAF的主要作用就是帮助我们的检测目标找到最适合他们的特征尺度。

当前基于特征金字塔的目标检测存在的问题：

         图二是一个特征金字塔网络结构，高层次的特征图用来检测大目标，低层次的特征图用来检测小目标。目标大小和金字塔特征大小之间的联系是人工设置的。换句话说，anchor的匹配机制本质上是启发式引导的。这导致了一个主要缺陷，即所选的用于训练每个实例的对应于特征金字塔的特征尺度可能不是最佳的。

整体网络结构：

       作者提出的网络结构就是让网络自己来自由选择匹配的特征尺度。下图是作者提出的FSAF网络结构图。在训练过程中实例会通过FSAF网络结构来判断选择哪个特征尺度。

FSAF网络结构如何计算损失：

       Class output为例：白色表示有效区域（预测区域的0.2倍） 灰色表示忽略区域（预测区域的0.5倍） 黑色表示负样本区域 class output的损失就是所有非忽略区域的焦距损失之和，由所有有效方框区域内的像素总数归一化。

       Box output：总回归损失是所有有效盒区域IOU损失的平均值。

在线特征选择：

        每个实例都通过各级anchor-free分支计算有效区域的平均分类(焦点)损失和回归损失(IOU)。然后选择两个损失之和最小的来作为该实例的监督信号。

实验结果：