淄博seo网站推广,能和实体彩票店和做的彩票网站,建设网站报价,长沙本地烟今天说的是《Soft Anchor-Point Object Detection》#xff0c;其也是最近关于anchor free的目标检测的论文#xff0c;作者来自于CMU#xff0c;一作同样也是FSAF(2019 CVPR)的作者。该论文的出发点还是在样本选择和FPN特征选择层面。背景Anchor free是目标检测领域的一个研…今天说的是《Soft Anchor-Point Object Detection》其也是最近关于anchor free的目标检测的论文作者来自于CMU一作同样也是FSAF(2019 CVPR)的作者。该论文的出发点还是在样本选择和FPN特征选择层面。背景Anchor free是目标检测领域的一个研究热点其主要可以分为anchor-point和keypoint两类。后者在往往在一个高分辨率的特征图上进行检测其优点是准确率高但是计算量大。而anchor-point的方法往往在多个分辨率上进行检测结构简单速度更快。作者认为anchor-point的方法性能不高主要还是在于训练的不充分主要是注意力偏差(attention bias)和特征选择(feature selection)。因而作者提出了两种策略1)soft-weighted anchor points对不同位置的样本进行权重分配2)soft-selected pyramid levels将样本分配到多个分辨率并进行权重加权。方法框架整体框架其实和FSAF是类似● Soft-Weighted Anchor Points ●清晰的目标更容易获得关注和更高的分数而边缘或者被遮挡的目标比较难检测。具体的问题如下上图中有五个足球运动员分类输出的得分图score map如图b所示可以看到有两个运动员的得分区域占了主导地位。甚至这两个运动员的得分区域还侵占了其他运动员的得分区域。作者认为引起该问题的主要原因是特征不对齐位于gt边缘的anchor和位于中心的anchor不应被同等对待。解决思路就是对不同位置的样本引入不同的权重其离gt的中心越近其权重越高离gt中心越远其权重越低(因为边缘往往意味着包含很多背景信息)。从而引入了广义中心度来确定权重概述我们的训练策略与h soft-weighted anchorpoints和soft-selected pyramid levels。黑条表示正锚定点对网络损耗贡献的指定权重。● Soft-Selected Pyramid Levels ●该问题实际上在FSAF中也研究过即如何选择合适的分辨率(尺度)来进行目标的检测。FSAF是通过loss来选择合适的分辨率。该论文同时也借鉴了FoveaBox将一个anchor映射到多个分辨率进行检测的思想(实际上工程中也会用到)来提升性能。同时作者还给不同的分辨率分配不同的权重。具体地作者额外训练了一个子网络来预测不同尺度的权重该网络具体为而该子网络的输入是在不同分辨率上利用roialign提取gt(ground truth)的特征并concat起来。实验结果作者和FSAF(基于anchor-free分支)进行比较soft-weighted anchor points(SW)策略提升了1.1个点soft-selected pyramid levels(SS)提升了1个点。作者还采用了BFPN(2019 CVPR Libra RCNN中的特征融合策略)进行了加强还能有性能提升。可视化结果论文最好的性能是47.4在R50上也达到了41.7。总结作者在FSAF的基础上进一步地分析了现有的两个问题注意力偏差和特征选择问题。前一个问题通过对不同样本加权实现后一个问题通过对不同分辨率加权实现论文讲述清晰思路简单。同时也要注意到该论文特征选择预测网络的训练问题工程上是否真的有效还需进一步地尝试验证。论文地址由于头条的限制,需要请留言
