Libra R-CNN: Towards Balanced Learning for Object Detection】--- 对象检测阅读笔记

                    版权声明：码字不易，转载请标明出处                        https://blog.youkuaiyun.com/hacker_Dem_br/article/details/90293609                    </div>
                                    <link rel="stylesheet" href="https://csdnimg.cn/release/phoenix/template/css/ck_htmledit_views-cd6c485e8b.css">
                                                        <div id="content_views" class="markdown_views prism-atom-one-dark">
                    <!-- flowchart 箭头图标 勿删 -->
                    <svg xmlns="http://www.w3.org/2000/svg" style="display: none;">
                        <path stroke-linecap="round" d="M5,0 0,2.5 5,5z" id="raphael-marker-block" style="-webkit-tap-highlight-color: rgba(0, 0, 0, 0);"></path>
                    </svg>
                    <p>论文名称：Libra R-CNN: Towards Balanced Learning for Object Detection<br>

论文作者：Jiangmiao Pang, Kai Chen, Jianping Shi, Huajun Feng, Wanli Ouyang, Dahua Lin

发行时间：Submitted on 4 Apr 2019

论文地址：https://arxiv.org/abs/1904.02701v1#

代码开源：https://github.com/open-mmlab/mmdetection

转自 https://blog.youkuaiyun.com/hacker_Dem_br/article/details/90293609

---

• 一. 前言
• 二. Libra R-CNN Model
  • 1. Balanced IoU sampling
  • 2. Balanced feature pyramid
    • a. 详细过程
    • b. Integrate过程解释
    • c. Refine过程解释
  • 3. Balanced L1 loss
• 三. 实验结果
• 四. 总结

一. 前言

在检测过程中，作者对在CNN中连续卷积不同尺寸的feature map划分成三个层次：sample level, feature level, objective level. 并提出 Libra R-CNN 来对object detection也就是上面三个level进行平衡。其中， Libra R-CNN 集称了三个部件：

1. IoU-balanced sampling
   • 用于减少样本数（sample）
2. balanced feature pyramid
   • 用于减少特征数（feature）
3. balanced L1 loss
   • 用于减少目标水平的不平衡（objective level）

Libra R-CNN在没有bells和whistles的情况下，在MSCOCO上分别比FPN和RetinaNet在AP(平均精度)上提高了2.5和2.0 points

二. Libra R-CNN Model

作者将本文的检测模型分为了三个阶段：

• sample level
  • 用于得到image中描绘出object的候选框框
• feature level
  • 将不同尺寸的特征金字塔进行特征融合
• objective level
  • 用于将image中的对象分类和定位

图例：

对于Libra R-CNN，作者一共构建了三个组件：

1. IoU-balanced sampling
2. balanced feature pyramid
3. balanced L1 loss

1. Balanced IoU sampling

对于一般的random sampling（从M个候选框中选出N个Negative样本），对每个样本的选择概率是$$p=NMp=NMp=\frac{N}{M}$$Lb​(x){bα​(b∣x∣)ln(b∣x∣)+1γ∣x∣+C​if∣x∣<1otherwise​​

三. 实验结果


可见提升效果还是挺大的

四. 总结

作者提出 balanced 概念，并将这个概念分别应用到IoU检测候选框、特征融合、损失计算这三个方面上，效果显著提升，值得一读

                </div>
                <link href="https://csdnimg.cn/release/phoenix/mdeditor/markdown_views-e44c3c0e64.css" rel="stylesheet">
                                </div>