ASFF自适应空间特征融合

最新推荐文章于 2024-05-24 18:40:42 发布

00000cj

最新推荐文章于 2024-05-24 18:40:42 发布

阅读量1.9k

点赞数 18

分类专栏： Object Detection 文章标签：深度学习人工智能计算机视觉目标检测特征融合

本文链接：https://blog.csdn.net/ooooocj/article/details/136695207

版权

Object Detection 专栏收录该内容

43 篇文章 3 订阅

订阅专栏

paper：Learning Spatial Fusion for Single-Shot Object Detection

official implementation：https://github.com/GOATmessi7/ASFF

背景

金字塔特征表示pyramid feature representation是解决目标检测中尺度变化挑战的常用方法。特征金字塔的一个主要缺点是在不同尺度上的不一致性，特别是对于one-shot detector。具体来说，当用feature pyramid检测物体时，采用一种启发式引导的特征选择：大目标与深层特征图关联，小目标与浅层特征图关联。当一个对象在某一层的特征图中被视为positive时，其它level的特征图中相应的区域就被视为背景。因此，如果一个图像既包含小物体又包含大物体，不同层次特征之间的冲突往往占据特征金字塔的主要部分。这种不一致性干扰了训练过程中的梯度计算，并降低了特征金字塔的有效性。

本文的创新点

本文提出了一种新的数据驱动的金字塔特征融合策略，称为自适应空间特征融合（adaptively spatial feature fusion, ASFF）。它学习对冲突信息进行空间过滤以抑制不一致性的方法，从而提高了特征的尺度不变性，并几乎没有增加额外开销。

该方法使网络能够直接学习如何在其它层对特征进行空间过滤，从而只保留有用信息进行融合。对于某个level的特征，首先将其它level的特征整合并调整到相同的分辨率，然后通过训练找到最优融合。在每个空间位置，不同level的特征被自适应的融合，即一些特征可能因为在该位置带有矛盾的信息而被过滤掉，一些特征因为带有更具差异性的信息而在该位置占主导。

ASFF具有以下几点优势

由于搜索最优融合的操作是可微的，因此可以在反向传播中学习
它对于backbone是不可知的，并应用于带有特征金字塔结构的单阶段目标检测模型中
实现简单，增加的计算成本可以忽略

方法介绍

Feature Resizing

我们将 \(l\) 层的特征记为 \(\mathbf{x}^{l}\)（对于YOLOv3 \(l\in\{1,2,3\}\)）。对于层 \(l\)，我们将其它层 \(n(n\ne l)\) 的特征 \(\mathbf{x}^n\) resize到和 \(\mathbf{x}^{l}\) 一样的分辨率。由于YOLOv3中三个level的特征具有不同的分辨率和不同的通道数，因此我们相应地修改了每个尺度的上采样和下采样策略。对于上采样，我们首先通过1x1卷积将特征的通道数压缩到 \(l\) 层对应的通道数，然后通过插值进行上采样。对于1/2比例的下采样，我们通过stride=2的3x3卷积通过修改分辨率和通道数。对于1/4的下采样，我们在2-stride卷积之前添加一个2-stride的max pooling层。

Adaptive Fusion

我们用 \(\mathbf{x}_{ij}^{n\to l}\) 表示从 \(n\) 层resize到 \(l\) 层的特征图上位置 \((i,j)\) 处的特征向量，我们在 \(l\) 层上按下式进行融合

其中 \(\mathbf{y}_{ij}^l\) 表示输出特征图 \(\mathbf{y}^l\) 沿通道的第 \((i,j)\) 个向量。\(\alpha_{ij}^l,\beta_{ij}^l,\gamma_{ij}^l\) 表示三个不同level对level \(l\) 特征图的空间重要性权重，它们是网络自适应学习到的。注意 \(\alpha_{ij}^l,\beta_{ij}^l,\gamma_{ij}^l\) 可以是标量变量，所有通道共享。我们使 \(\alpha_{ij}^l+\beta_{ij}^l+\gamma_{ij}^l=1\)，\(\alpha_{ij}^l,\beta_{ij}^l,\gamma_{ij}^l\in [0,1]\)，并定义

这里 \(\alpha_{ij}^l,\beta_{ij}^l,\gamma_{ij}^l\) 通过对 \(\lambda^{l}_{\alpha_{ij}},\lambda^{l}_{\beta_{ij}},\lambda^{l}_{\gamma_{ij}}\) 使用softmax计算得到，我们使用1x1卷积从 \(\mathbf{x}^{1\to l},\mathbf{x}^{2\to l},\mathbf{x}^{3\to l}\) 得到权重标量 \(\lambda^{l}_{\alpha},\lambda^{l}_{\beta},\lambda^{l}_{\gamma}\)。

使用这种方法，所有lelvel的特征都在每个尺度上自适应地聚合。输出 \(\{\mathbf{y}^1,\mathbf{y}^2,\mathbf{y}^3\}\) 按照YOLOv3相同的pipeline用于目标检测。

实验结果

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):  # (b,512,13,13),(b,256,26,26),(b,256,52,52)
        if self.level == 0:
            level_0_resized = x_level_0
            level_1_resized = self.stride_level_1(x_level_1)  # (b,512,13,13)

            level_2_downsampled_inter = F.max_pool2d(x_level_2, 3, stride=2, padding=1)  # (b,256,26,26)
            level_2_resized = self.stride_level_2(level_2_downsampled_inter)  # (b,512,13,13)
        elif self.level == 1:
            level_0_compressed = self.compress_level_0(x_level_0)  # (b,256,13,13)
            level_0_resized = F.interpolate(level_0_compressed, scale_factor=2, mode='nearest')  # (b,256,26,26)
            level_1_resized = x_level_1
            level_2_resized = self.stride_level_2(x_level_2)  # (b,256,26,26)
        elif self.level == 2:
            level_0_compressed = self.compress_level_0(x_level_0)  # (b,256,13,13)
            level_0_resized = F.interpolate(level_0_compressed, scale_factor=4, mode='nearest')  # (b,256,52,52)
            level_1_resized = F.interpolate(x_level_1, scale_factor=2, mode='nearest')  # (b,256,52,52)
            level_2_resized = x_level_2

        level_0_weight_v = self.weight_level_0(level_0_resized)  # (b,16,13,13)
        level_1_weight_v = self.weight_level_1(level_1_resized)  # (b,16,13,13)
        level_2_weight_v = self.weight_level_2(level_2_resized)  # (b,16,13,13)
        levels_weight_v = torch.cat((level_0_weight_v, level_1_weight_v, level_2_weight_v), 1)  # (b,48,13,13)
        levels_weight = self.weight_levels(levels_weight_v)  # (b,3,13,13)
        levels_weight = F.softmax(levels_weight, dim=1)

        fused_out_reduced = level_0_resized * levels_weight[:, 0:1, :, :] + \
                            level_1_resized * levels_weight[:, 1:2, :, :] + \
                            level_2_resized * levels_weight[:, 2:, :, :]

        out = self.expand(fused_out_reduced)  # (b,1024,13,13)

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