题目:You Only Look One-level Feature
作者:
motivation:
作者想分析下FPN为什么对模型效果影响很大,理论创新性还是蛮大的。
methods:
这是一个新的只使用32倍下采样的C5特征图的目标检测框架。
主要贡献:
1)作者分析了MiMo(多进多出)、单进多出(SiMo)、多进单出(MiSo)和单进单出(SiSo)编码器的收益,并发现IDEAR
2)作者首先对编码器的结构进行了适当的设计,以提取不同尺度目标的多尺度上下文特征,弥补多尺度特征的不足;
3)然后,作者采用均衡匹配机制来解决单特征图中稀疏anchor引起的正样本不平衡问题。
FPN主要有两个核心的收益:一方面,FPN可以进行多尺度特征融合,它将多个尺度的特征图融合在一起获得更好的表示;另一方面,它又是一种分治策略,依据目标的不同尺度在不同级别的特征图上检测目标。
作者在RetinaNet的基础上通过解耦多尺度特征融合和分治功能设计了实验。具体而言,将FPN视作一个多进多出(Multiple-in-Multiple-out,MiMo)编码器,它从骨干网络编码多尺度特征并且为解码器即检测head提供特征表示。作者对MiMo(多进多出)、单进多出(SiMo)、多进单出(MiSo)和单进单出(SiSo)编码器进行了对比实验,结果如下图。
这些实验结果表明两个事实:第一,C5特征图上其实就包含了检测各种尺度目标的足够的上下文信息,这就导致SiMo编码器可以获得相当不错的效果;第二,多尺度特征融合带来的收益要远远小于分治策略带来的收益,因此多尺度特征融合在FPN不是最关键的功能。
将原始特征图和扩大感受野的特征图加到一起,就能得到覆盖所有目标尺度的特征图了,这个过程其实可以通过残差连接构造膨胀模块实现,称为Dilated Encoder。
基于上面的讨论,作者设计了如上图所示的SiSo结构,名为Dilated Encoder。它包含先后两个组件,分别是Projector和Residual Blocks。投影层首先应用一个1×1的卷积层来降低通道维数,然后添加一个3×3卷积层来细化上下文语义信息,这与FPN一致。然后,叠加连续4个卷积核膨胀率不同的残差块,生成具有多个感受野的输出特征,覆盖所有对象的尺度。
大GT框比小GT框会产生更多的正anchor,从而造成了正anchor的不平衡问题。这会导致检测器只关注大目标的训练,而忽略小目标检测的优化。
因此,作者设计了一个均衡匹配(Uniform Matching)策略,即对每个GT框而言,只采用最接近的k个anchor作为正anchor,这就能如上图一样保证每个GT框不论尺寸大小都有相同数目的正anchor。平衡的正样本确保所有的GT框平等地参与训练。同样,作者也设置阈值来过滤大IoU的负样本和小IoU的正样本。
experiments:
还是直接上图哈
【完结】