FSAF目标检测2019

有权重：

https://github.com/hdjang/Feature-Selective-Anchor-Free-Module-for-Single-Shot-Object-Detection

Problem

基于深度学习的目标检测网络FPN使用了多个feature map来检测目标。深层特征语义信息丰富，适合大目标的检测。浅层特征的细节信息保存较好，适合检测小目标。FPN根据ground true的面积大小，按照l0 = l0 + log2(wh/224)来决定负责预测该ground true所使用的feature map。作者认为这种分配策略是启发式的，不能保证为GT指派最合适的feature map。
目前的目标检测网络大多采用anchor机制，即先定义许多先验边框作为初始值，再在此基础上进行优化得到最终结果。Anchor 将所有可能的实例框的连续空间离散化为一些预定义尺寸，及宽高比的有限数量的框，虽然降低了优化难度，但缩小了网络的参数分布的空间。
Solution 
作者希望每个instance能根据语义信息来选择feature map，不受anchor的约束。因此，提出anchor-free branch给出量化的标准，将GT指派给更合适的特征层。

先用anchor-free方法在特征图上大概检测一下，看看哪层效果好（损失函数最小），就将instance交给那层特征对应的anchor-based来处理。anchor-free branch预测是基于特征点的，不用anchor。

Feature Selective仅发生训练阶段，infer