論文筆記Revisiting the Sibling Head in Object Detector
1. 論文標題及來源
Revisiting the Sibling Head in Object Detector, CVPR, 2020
下載地址:https://arxiv.org/abs/2003.07540
2. 擬解決問題
分類和迴歸的過程中特徵不對齊問題,如下圖所示(顏色越暖越好)
即當使用同一個特徵進行分類和迴歸時,它的性能不能很好地得到平衡
3. 解決方法
3.1 算法流程
a. 將圖片輸入骨幹網絡提取特徵
b. 通過RPN得到響應圖
c. 通過Sibling head生成proposal
d. 將生成的每個proposal輸入到Spatial distanglement模塊分別得到用於分類的proposal和用於迴歸的proposal,即每個proposal會生成兩個proposal,一個用於分類,另一個用於迴歸
e. 將用於分類的propostal輸入分類分支得到分類得分;將用於迴歸的proposal輸入迴歸分支得到迴歸偏移
f. 通過nms得到最終結果
3.2 task-aware空間解耦模塊
如上圖b所示,將proposal的ROI特徵輸入到上圖b中,然後使用一個3層的全連接網絡生成兩個proposal,一個用於分類,一個用於迴歸。該模塊通過下述公式學習相應的特徵偏移。
通過上述公式生成用於迴歸的progosal,是一個超參數,用於控制貢獻程度,
通過上述公式生成分類的特徵偏移,然後通過線性插值獲得用於分類的proposal,,響應圖上座標爲(x, y)的錨點(anchor),表示採樣的總錨點數,表示採樣點在網格G(x, y)的座標,表示線性插值函數
3.3 漸進式約束
表示類別y的得分,類似於Relu方式。
4. 實驗結果
4.1 消融實驗
4.2 OpenImage實驗結果
4.3 COCO實驗結果
5. 總結
該算法通過實驗發現分類和迴歸任務使用的特徵不一樣,提出使用解耦操作分別處理分類和迴歸,即通過一個原始的proposal生成兩個proposal,一個用於分類,另一個用於迴歸,使它們能生成各自需要的特徵,通過漸進性約束進一步提升算法性能。