【论文笔记】：Side-Aware Boundary Localization for More Precise Object Detection

&Title

• Side-Aware Boundary Localization for More Precise Object Detection
• 代码

&Summary

本文提出Side-Aware Boundary Localization(SABL)以取代传统的bbox回归。提取关注于边界内容的边缘感知特征用来定位。提出使用该特征的轻量级two-step bucketing方法以精确定位目标。同时引入重打分(rescore)机制，利用bucket的置信度来保留高质量的bbox。在各种目标检测流程中，SABL均展现了一致且重大的性能提升。
本文通过对回归方法的分析，观察到更简单精确回归到边界框的方法。

contribution：

• 使用Side-Aware Boundary Localization(SABL)取代之前的bbox regression分支，对bbox的每条边分别定位，提高了定位的精度；
• 使用Bucketing scheme进行细粒度目标定位以及对分类进行rescore，降低高精度bbox的抑制率；
• 在COCO数据集中，在Faster R-CNN、RetinaNet以及Cascade R-CNN的基础上替换回归分支，最终分别提升了3.0、1.6以及0.9个点。

&Research Objective

&Problem Statement

精确的定位需要对bbox的每条边都精准地放置，然而，主流方法只关注于预测中心以及size，并不是完成这个任务最高效的方法，尤其是在anchor与目标间存在多种displacements时。

bbox回归用于将附近的候选区域与目标对齐。当前的回归方法大多是使用对中心偏移以及尺度因子的预测，虽然高效但却限制了整体检测的性能。基于观察：当标注目标的bbox时，使box的每条边与目标边界对齐相较于整体移动box以