Generalized Focal Loss-读论文随笔

《Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection》

原文链接：https://arxiv.org/abs/2006.04388

代码链接：https://github.com/implus/GFocal

 

一、针对什么问题？

1、问题：

1）分类分支和定位质量估计（IOU/centerness）分支训练测试的不一致性

2）bounding boxes表示不够灵活

 

二、 提出什么方法？

1、不一致性：

QFL:提出一个联合表示。

1）a classification vector where its value at the ground-truth category index refers to its corresponding localization quality 

采用质量预测分数替代对应分类分数

2、bounding boxes表示不够灵活：

1）并不是采用狄拉克/高斯分布作为先验，而是设计更有普适性的DFL

三、IoU和centerness分支的讨论

1）centerness的计算方式会使部分小目标的label非常小。文中的统计显示，centerness label值小于0.4的比例远高于IOU label值小于0.4所占比例。

 

四、有哪些思考？

GFL在VisDrone数据上没有明显提升。VisDrone数据集中存在较多遮挡现象，但实验结果与FCOS相差无几。

 

五、代码运行情况

GFL在VisDrone上测试。

配置环境：

1080Ti，gfl_r50_fpn_1x_coco

测试结果：

'MAP@0.5', 0.264

'MAP@0.5:0.95',  0.152