《FoveaBox：Beyond Anchor-based Object Detector》论文笔记

代码地址：暂无

1. 概述

导读：这篇文章提出了一种基于非anchor机制的检测网络FoveaBox，这个网络在没有anchor的条件下直接学习目标存在的概率与检测框坐标，对于不同大小的目标是在FPN网络的不同层上预测实现的。目标概率与检测框回归是通过下面两点来实现的：
1）backbone的输出特征图上输出对应分类类别的分类结果特征图；
2）对可能包含目标的位置（既是在文中规定的搜索区域内）生成与分类数目对应的检测框（训练时直接与GT计算偏移）；
文章提出的FoveaBox在COCO数据集上获得了42.1的AP。由于没有anchor带来的限制，这样就可以使得网络对任意长宽比例与形状的目标更加鲁棒。

RefineNet通过增加anchor的数量会带来一定的性能提升，但是随着anchor的增加带来的性能提升也趋近与饱和，而这片文章的方法性能却超过了它。

2 方法设计

2.1 网络结构

FoveaBox的网络结构由3个部分组成：主干网络、分类分支、检测框预测分支。主干网络用于从输入图像中抽取出特征，分类分支用于在主干网络输出上逐像素预测分类结果，检测框预测分支用于预测对应位置上的检测框。

2.2 FPN的主干网络

这篇文章的算法采用FPN网络，构建了一个金字塔层级 { P l } , l = 3 , 4 , … , 7 \{P_l\},l=3,4,\dots,7 {Pl​},l=3,4,…,7，其中$P_l$代表大小为原始输入$\frac{1}{2^l}$的特征图，每个金字塔层的通道数为$C=256$。在每个塔层上使用分类与检测框分支，它们都是逐像素预测的。其结构见下图所示：

2.3 尺度分配

基础网络使用的是FPN网络，文中就将不同大小的目标划归到这些不同层级的网络中去，对于FPN的特征层$P_3,P_7$他们对应的基础面积范围是$32^2,512^2$，则对应的基础面积可以使用下面的关系表示：
$$S_l=4^l\cdot S_0$$
其中，$S_0=16$。此外还引入一个参数$\eta$来控制每个金字塔的尺度表达范围，超过这个范围的就会被忽略掉：
$$[\frac{S_l}{{\eta }^2},S_l\cdot {\eta }^2]$$
对于$\eta$对于性能的影响见表2所示：

2.4 Object Fovea

对于一个GT框其在金字塔层$P_l$（stride为$2^l$）上的坐标计算为：

对于fovea的正样本区域$R^{pos}=(x_1^{{}^{\prime \prime }},y_1^{{}^{\prime \prime }},x_2^{{}^{\prime \prime }},y_2^{{}^{\prime \prime }})$，是比标注小的一个区域，其收缩的比例使用${\sigma }_1=0.3$去控制，在这个区域内的会被划分为正样本，并分配对应的类别标签，参与到检测框的预测中去，其关系见公式4所示：

对于负样本引入另外一个收缩参数${\sigma }_2=0.4$去生成$R^{neg}$，使用也是公式4，没有在这个区域内的就是负样本，对于那些没有被分配到的区域就不会参与训练，正负样本使用Focal Loss进行调和。

2.5 检测框预测

在object fovea只是表示了存在目标的可能性，对于实际的位置就需要网络对每个可能的位置使用边界框回归。对于给定的GT框，那么网络检测框的预测目标就是在每个cell $(x,y)$处预测对应4为坐标定位输出：

其中，$z=\sqrt{S_l}$归一化因子将输出空间映射到1附近，是的网络能够稳定学习。对于边界框的损失函数是使用Smooth L1损失函数。

3. 实验结果

基础网络的深度与输入图像分辨率对网络检测性能的影响：

与其它方法的一些对比：