论文笔记Revisiting the Sibling Head in Object Detector
论文笔记Revisiting the Sibling Head in Object Detector
1. 论文标题及来源
Revisiting the Sibling Head in Object Detector, CVPR, 2020
下载地址:https://arxiv.org/abs/2003.07540
2. 拟解决问题
分类和回归的过程中特征不对齐问题,如下图所示(颜色越暖越好)
即当使用同一个特征进行分类和回归时,它的性能不能很好地得到平衡
3. 解决方法
3.1 算法流程
a. 将图片输入骨干网络提取特征
b. 通过RPN得到响应图
c. 通过Sibling head生成proposal
d. 将生成的每个proposal输入到Spatial distanglement模块分别得到用于分类的proposal和用于回归的proposal,即每个proposal会生成两个proposal,一个用于分类,另一个用于回归
e. 将用于分类的propostal输入分类分支得到分类得分;将用于回归的proposal输入回归分支得到回归偏移
f. 通过nms得到最终结果
3.2 task-aware空间解耦模块
如上图b所示,将proposal的ROI特征输入到上图b中,然后使用一个3层的全连接网络生成两个proposal,一个用于分类,一个用于回归。该模块通过下述公式学习相应的特征偏移。
通过上述公式生成用于回归的progosal,是一个超参数,用于控制贡献程度,
通过上述公式生成分类的特征偏移,然后通过线性插值获得用于分类的proposal,,响应图上坐标为(x, y)的锚点(anchor),表示采样的总锚点数,表示采样点在网格G(x, y)的坐标,表示线性插值函数
3.3 渐进式约束
表示类别y的得分,类似于Relu方式。
4. 实验结果
4.1 消融实验
4.2 OpenImage实验结果
4.3 COCO实验结果
5. 总结
该算法通过实验发现分类和回归任务使用的特征不一样,提出使用解耦操作分别处理分类和回归,即通过一个原始的proposal生成两个proposal,一个用于分类,另一个用于回归,使它们能生成各自需要的特征,通过渐进性约束进一步提升算法性能。