【论文笔记】：PSS（NMS-free）

&Title

• Object Detection Made Simpler by Eliminating Heuristic NMS
• 代码

&Summary

Motivation：如果网络只能为图像中的每个实例对象识别一个正样本，那么就没有必要使用NMS。

all the locations on the CNN feature maps within the center region of an object are assigned positive labels. As a result, multiple network outputs correspond to one target object. The consequence is that for inference, a mechanism (namely, NMS) is needed to choose the best positive sample among all the positive boxes.

作者提出了一个简单的NMS-free、端到端目标检测框架，该网络是对单级目标检测器(如FCOS、ATSS)的最小修改，可达到同等甚至更高的检测精度。它以几乎相同的推断速度执行检测，同时更简单，因为现在在插入期间消除了后处理NMS(非最大抑制)。

作者通过附加一个PSS head自动为每个实例选择单一正样本。通过采用停止梯度操作，解决学习目标产生的标签冲突问题（面对的一对多，一对一的标签分配，有些标签冲突的训练的例子，会使得学习具有挑战性）

PSS Advantages

• 去除了 NMS 后，检测更加简洁。FCOS_PSS继承了 FCOS 的简洁，FCOS_PSS可与其它可用 FCN 解决的任务完全兼容。
• 证明了 NMS 可以通过一个简单的 PSS head 去除，计算量可以忽略不计。
• PSS 非常灵活，PSS head 本质上是可以学习的 NMS。通过设计，FCOS heads 也可以与原来的检测器表现一样好，FCOS_PSS就在是否使用 NMS 方面给出了足够的灵活度。例如，一旦训练好，我们可以选择不用 PSS head，将 FCOS_PSS作为标准的 FCOS 使用。
• 作者报告了 COCO 数据集上的检测结果，与标准 FCOS 和 ATSS 检测器，以及最近的 NMS-free 检测器做了比较。
• PSS head 也适用于其它基于 anchor box 的检测器，比如 RetinaNet。在 RetinaNet 检测器中加入 PSS 后，作者得到了优异的结果，该方法在每个位置上应用一个正方形的 anchor box，并且采用了自适应训练采样来提升检测准确率。
• 这个思想也可以用到其他实例识别任务上。例如，我们可以在实例分割任务上去掉 NMS。作者希望本工作可以让基于 FCOS 检测器的工作受益，包括实例分割、关键点检测、文本检测、跟踪等。

&Research Objective

NMS-free

anchor-free 的检测器如 FCOS 和 FoveaBox提出后，NMS 成为了整个流程中仅有的启发式后处理。