論文《Feature Selective Anchor-Free Module for Single-Shot Object Detection》(CVPR2019)
論文的主要貢獻在特徵金字塔的基礎上,提出Feature Selective Achor-Free Model ,通過學習的方式,對不同大小的實例,選擇不同level的特徵,來解決啓發式特徵選擇的弊端。
本文主要記錄論文的實驗設計
1.數據集
論文的實驗都是在coco數據集上進行的。
2.Ablation Studies(消融實驗)
數據:training and test 圖像都是 800pixels
1.評估Anchor-Free branches
整體思路是Anchor-based VS Anchor-free(又包括啓發式特徵選擇vs在線特徵選擇)。最終比較結果是Mix好,也就是Anchor-based+Anchor-Free(在線特徵選擇)。
又通過圖片結果,直觀的展示了提出的FSAF比RetinaNet(Anchor-based)能更好的檢測難檢測的物體(如小,窄物體)。
2.評估在線特徵選擇
比較Anchor-Free的兩種特徵選擇策略:啓發式VS在線學習式,(Anchor-based+啓發式)VS(Anchor-based+在線式)
結果是在線特徵選擇對於anchor-based+anchor-free有益
然後論文可視化地比較了Anchor-based提取的特徵level和Anchor-Free提取的特徵level
3.FSAF適用於現有的網絡框架
在ResNet50,ResNet-101,ResNeXt-101上比較RetinaNet(Anchor-based)、FSAF、Anchor-based+FSAF
3.Comparison to State of the art(與現有方法比較)
比較工作分別在單尺度和多尺度兩個方面進行。與現有的single-shot和multi-shot比較
可以看出,在同樣以resNet-101爲backbone network時,論文在多尺度上的結果已經超過了Multi-shot。
最後呢,在ResNeXt-101上也超過了目前最好的GHM800