[目标检测]--ECCV2020-SAPD-Soft Anchor-Point Object Detection

$摘要：$

最近，anchor-free检测器在精度和速度上都显示出了超越anchor-based检测器的巨大潜力。在这项工作中，我们的目标是找到一个新的平衡速度和准确性的anchor-free检测器。研究了两个问题:1)如何使anchor-free检测器的头更好?2)如何更好的利用特征金字塔的力量?我们分别将注意偏差和特征选择作为这两个问题的主要问题。我们提出了一种新的训练策略来解决这些问题，该策略有两种软优化技术，即软加权anchor点和软选择特征金字塔。为了评估其有效性，我们训练了一种一阶段anchor-free检测器，称为软锚点探测器(SAPD)。实验表明，我们简洁的SAPD将速度/精度权衡提升到了一个新的水平，超过了目前最先进的anchor-free、anchor-based和多阶段检测器。我们最好的模型可以在COCO上实现47.4%的单模型单标度AP，速度可以提升5倍。

$正文：$

当前anchor-free的方法可以分为两类：
1.anchor-point，即FSAF这些，这类方法的优点是结构简单，速度快，自由的特征选择，缺点就 是精度比不上key-point方法。
2.key-point，即CenterNet这些，这类方法的优点是在输入尺寸比较小时，精度很高，缺点就是特征图需要保留高分辨率，推理速度太慢。

文章主要解决anchor-point训练过程中的两个问题：
1.attention bias，我们所说的注意力偏差，是指具有良好视角的物体容易从检测器上吸引更多的注意力，从而使其他物体容易被忽略，因为在训练中忽略了锚点的特征错位。
2.feature selection，特征选择问题则是基于自组织启发法将实例分配到金字塔层次，或将每个实例限制为单个层次，从而导致特征能力的次优利用。

以FSAF为baseline，如下图：

S o f t − W e i g h t