【论文笔记】：UnitBox

Title

• 2016 ACM MM UnitBox: An Advanced Object Detection Network

Abstract

传统的目标框含有四个独立的坐标变量，丢失了相互之间的信息，导致AP下降

Unit Box 提出了一种新的 IoU 损失函数，将四个变量作为一个整体预测

Introuductin

Faster RCnn 依赖于预先设计好的anchor，对小目标无能为力

DenseBox 不能对目标框四个变量进行联合预测，需要在图像金字塔上预测，效率低

本文提出UnitBox，使用全卷积网络，精度更高，速度更快

使用了L2_Loss，这也就意味着把四个坐标当成了独立变量，这显然是与实际不符的，这也是为什么框不准的原因。
因此为了方便灵活灵活地处理各种角度的目标，作者提出了一种新的IOU_Loss，将四个回归值当做一个整体来处理,不仅提高了准确率而且加速了收敛。

Iou Loss Layer & L2 Loss layer

L2 Loss

L2 将坐标信息作为独立变量预测，违背了坐标信息之间是高度相关的事实，其次，L2 没有归一化，所以对小的值不敏感，如果使用图像金字塔会降低效率

L2 Loss可以看做是欧氏距离，很明显这里面四个坐标是被当做独立变量来优化的。这可能导致下面的问题：

左边的人脸框明显比右边的要准一点，但是脸太大，则导致loss最终反而比右边的大，然后我们就去惩罚这个loss，结果最后检测器对小人脸效果就不好了。

noval IOU Loss

IOU Loss的目的就是使重叠区域越大越好。

NETWORK

使用VGG-16模型finetune,只不过去掉了全连接层，然后又搞成了带有两个分支的全卷积网络：一个分支是pixel级别的bounding box差值坐标，一个是分类得分。

训练时有三个输入：原图，置信度热图，边界框热图

• 分类分支：VGG16 stage -4 末尾 + conv(512 * 3 * 3 * 1) + upsample layer
  (上采样到原图大小) + crop layer(将特征图定位到原图的位置)，得到单通道的，与原图大小相同的特征图，使用sigmod交叉熵损失在其上生成置信热图
• 回归分支：VGG16 stage-5 末尾 + conv(512 * 3 * 3 * 4) + upsample layer (上采样到原图大小) + crop layer(将特征图定位到原图的位置) ，此外加入ReLU layer 使得输出非负。预测出的边界框坐标被IoU Loss联合优化。
• 回归分支在stage5 因为边界框预测需要更大的感受野。
• 只用了一层卷积层来输出边界框预测，提高了效率
• 在阈值化处理后的置信度热图上用椭圆来拟合人脸

如何最终定位人脸：

选定一定阈值，用一个椭圆在分类得分图上框出一个人脸，，然后选择中心坐标，找到其对应的bounding box。

EXPERIMENTS

Effectiveness of IoU Loss

IOU Loss 比 L2 Loss 收敛更快，精度更高，对多尺度的检测效果鲁棒性更好。速度快，12FPS