Begin--RFLA: Gaussian Receptive Field based Label Assignment for Tiny Object Detection（ECCV2022）

hh
源代码

-

喜迎2024，从新开始

what is prior

指在观察到具体数据之前，基于现有的背景知识、经验和对问题的理解来设定的概率分布

Abstract & Conclusion

现存的问题

本文指出，对于微小目标，基于锚点的检测器中的盒先验和无锚点检测器中的点先验都是次优的。我们的主要观察结果是，当前基于锚点或无锚点的标签分配范式将产生许多异常的微小的地面真值样本，导致检测器对微小物体的关注减少，即在分配标签时导致尺度-样本不平衡问题。

目的

自然是为了解决存在的问题，即现有标签分配策略将产生许多异常的微小的真值样本

方法

为此，我们提出了一种基于高斯接受场的标签分配(RFLA)策略用于微小目标检测。具体来说，RFLA首先利用了特征接受野服从高斯分布的先验信息。然后，本文提出了一种新的感受野距离(RFD)来直接度量高斯感受野与真值之间的相似度，而不是使用IoU或中心采样策略来分配样本。考虑到基于ou阈值和中心采样策略倾向于大对象，作者还设计了一个基于RFD的分层标签分配(HLA)模块来实现对小对象的均衡学习。

结论

RFD与HLA策略协同工作，实现了对微小对象的均衡学习，在四个数据集上的大量实验证明了所提出方法的有效性。特别是，在AI-TOD数据集上以4.0的AP点优于最先进的竞争对手。

-

以下是扩展

现存问题（先验）

依赖重叠

首先，单个盒先验和点先验都有一个有限的先验域(p(v|x,y) > 0)，而现有的标签分配指标高度依赖于域的重叠。换句话说，当一个特定的gt与一个特定的先验没有重叠时，它们的位置关系不能通过IoU或中心来解决。

而对于微小物体，通常会出现gt盒与几乎所有锚盒没有重叠(即IoU = 0)或不包含任何锚点的情况[52]，导致微小物体缺乏阳性样本

以往通常采用启发式方法如ATSS来保证对微小物体进行更积极的采样。
然而，分配器常常不能根据零值IoU或中心度补偿微小物体的正样本，因此，网络将减少对微小对象学习的关注。

先验均匀分布

有效接受野是服从高斯分布的，均匀分布的先验和高斯分布的接受野之间的差距将导致gt与分配给它的特征点的接受野之间的不匹配

解决方法

为了解决上述问题，作者引入了一种新的基于高斯分布的先验，并构建了一个更有利于微小物体的基于高斯接受场的标签分配(RFLA)策略。具体来说，作者提出用一个新设计的感受野距离(RFD)来直接度量高斯感受野和gt区域之间的相似性。利用高斯接受域作为先验信息可以很好地解决由框先验和点先验引起的问题

为什么能解决

一方面，高斯分布不是阶跃变化的。每个个体先验的域是整个图像，其中每个位置的权值从中心到外围逐渐衰减，其值大于0。因此，可以对整个图像上任意特征点与任意gt之间的位置关系进行建模，从而可以获得不同大小对象的平衡正样本
另一方面，高斯先验可以更好地拟合高斯有效感受野的性质，从而缓解感受野失配问题，特别是对于微小物体。

补充

细心的作者还发现呢，由于IoU和RFD不在同一维度，将新的度量直接应用于现有的基于阈值的标签分配结构是不合理的。故而在此基础上，作者进一步设计了一个分层标签分配器(HLA)，逐步减少了离群样本，并获得了对微小物体的充分训练。

summarize

作者发现现有的基于锚点和无锚点的探测器在微小目标标签分配中存在尺度-样本不平衡问题，提出了一种基于高斯接受场的标签分配(RFLA)策略用于微小目标检测。具体来讲呢，就是解决了

1. 基于IoU或中心先验过度依赖于重叠的问题
2. 均匀分布的先验和高斯分布的接受野之间的差距将导致gt与分配给它的特征点的接受野之间的不匹配问题

在此基础上呢，作者发现由于IoU和RFD不在同一维度，将新的度量直接应用于现有的基于阈值的标签分配结构是不合理的，因此进一步设计了一个分层标签分配器(HLA)，逐步减少了离群样本，并获得了对微小物体的充分训练。