FSAF-Feature Selective Anchor-Free

本文主要是介绍FSAF-Feature Selective Anchor-Free，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

《Feature Selective Anchor-Free Module for Single-Shot Object Detection》是由Carnegie Mellon大学Chenchen Zhu等提出的自动选择合适的尺度以及无anchor的目标检测方法。实验对比图如下

从上图可以看出，加了FSAF模块的RetinaNet，能把一些长宽比比较悬殊的目标检测出来。为什么加入了FSAF模块可以有这种效果？首先：
1、对比下加入FSAF模块前后的RetinaNet网络的结构：


相对于原始的RetinaNet网络，FSAF模块只是两个卷积层，一个嵌入到分类支路中，另一个嵌入到回归支路中。
为什么在两个支路中分别嵌入一个卷积层就可以实现特征选择，从而达到良好的检测效果？
2、损失函数
作者首先定义了一些变量：
1）标签为$k$的实例的bounding box为$b=[x,y,w,h]$。$(x,y)$是矩形的中心，$w,h$分别是矩形的宽和高。
2）其在$P_l$特征层上的box坐标为$b_p^l=[x_p^l,y_p^l,w_p^l,h_p^l]$，即其坐标可表示为$b_p^l=b/2^l$。
3）有效box(effective box)：$b_e^l=[x_e^l,y_e^l,w_e^l,h_e^l]$；可忽略box(ignoring box)：$b_i^l=[x_i^l,y_i^l,w_i^l,h_i^l]$。这两个box大小分别和$b_p^l$成${ϵ}_e$和${ϵ}_i$倍的关系。即$x_e^l=x_p^l,y_e^l=y_p^l,w_e^l={ϵ}_e{w}_p^l,h_e^l={ϵ}_e{h}_p^l$，$x_i^l=x_p^l,y_i^l=y_p^l,w_i^l={ϵ}_i{w}_p^l,h_i^l={ϵ}_i{h}_p^l$
文章中的${ϵ}_e=0.2,{ϵ}_i=0.5$。

定义完这些参数，就可计算分类和回归的输出：
1）分类输出
分类输出层输出$K$个maps，每个map对应一个类。一个样本以三种方式影响第$k$层特征。第一，有效box区域：$b_e^l$，这是一个正样本区域；第二，除去有效box的可忽略box区域：$(b_i^l-b_e^l)$，这部分区域的梯度不传回去；第三，相邻特征层的可忽略boxes$(b_i^{l-1},b_i^{l+1})$也是可忽略的。其余的区域都是负样本区域。如果在一个特征层上，有两个相交的有效boxes，则较小的样本有较高的优先级。
loss计算采用$\alpha =0.25,\gamma =2.0$的Focal loss。
2）回归输出
回归支路只计算有效区域$b_e^l$内的点。对于区域内的每个点$(i,j)$，其对应的projected box是一个四维矢量${\mathbf{d}}_{i,j}^l=[d_{t_{i,j}}^l,d_{l_{i,j}}^l,d_{b_{i,j}}^l,d_{r_{i,j}}^l]$，其各分量表示当前点$(i,j)$和$b_p^l$上、左、下、右边界的距离。用$S$对${\mathbf{d}}_{i,j}^l$进行归一化，即每个点$(i,j)$的矢量为${\mathbf{d}}_{i,j}^l/S$。$S$取值为4。有效区域之外的区域都忽略。Loss采用IoU loss。

3）前向输出
对于点$(i,j)$，其前向网络输出为$[{\hat{o}}_{t_{i,j}},{\hat{o}}_{l_{i,j}},{\hat{o}}_{b_{i,j}},{\hat{o}}_{r_{i,j}}]$，则预测的距各边的距离为$[S{\hat{o}}_{t_{i,j}},S{\hat{o}}_{l_{i,j}},S{\hat{o}}_{b_{i,j}},S{\hat{o}}_{r_{i,j}}]$。则输出的左上角和右下角分别为$(i-S{\hat{o}}_{t_{i,j}},j-S{\hat{o}}_{l_{i,j}})$、$(i+S{\hat{o}}_{b_{i,j}},j+S{\hat{o}}_{r_{i,j}})$。将得到的点放大$2^l$倍就可以得到输出box在原图像上的位置。
输出box的置信度和类别由最大score以及对应的类别决定。
那如何选择合适的输出层得到结果呢？

3、在线特征选择
自动选择合适的特征层得到结果。
在训练阶段：设有一个样本$I$，其在$P_l$层的分类损失和box回归损失分别为$L_{FL}^I(l)$和$L_{IoU}^I(l)$。选择最小损失的层为最优的层：
$$l^{\ast }=arg\underset{l}{\min }{L}_{FL}^I(l)+L_{IoU}^I(l)$$
在训练时，将$l^{\ast }$层的损失传递回去，进行学习。
在推理时，无需选择哪个层，只需要将置信度最高的层的预测结果输出即可。

4、结合使用去推理和训练
在使用中，anchor-based和FSAF模块时同时使用的
推理阶段
在FSAF模块中，每一层选取置信度最高的1k个输出，得到输出，与anchor-based模块的输出合并，然后采用NMS得到最终的输出结果
训练优化
整个网络的损失是FSAF和anchor-based的加权和。设anchor-based的损失为$L^{ab}$，anchor-free模块的分类和回归损失分别为$L_{cls}^{af}$、$L_{reg}^{af}$，则网络的总损失为$L=L^{ab}+\lambda (L_{cls}^{af}+L_{reg}^{af})$，其中$\lambda$是anchor-based分支的权重，本章中的设置为$\lambda =0.5$。
初始化
具体参照论文

从上面对FSAF模块分析可知，FSAF模块在目标检测时，没有像anchor-based方法那样对box长宽比有限制，从理论上看，任何长宽比都可以检测到，因此在第一张图上，加了FSAF模块的RetinaNet网络可以检测到细长的目标，并且FSAF能提升检测效果，单独的FSAF检测对比如下表

总结
这篇文章提出了FSAF的特征选择无anchor模块，应用于多尺度特征输出网络。在训练和推理阶段，同时使用anchor-based和anchor-free两个分支。FSAF模块其实一个卷积层，在训练中，这个模块学会选择合适的尺度，在推理阶段，可自动输出合理的结果。

这篇关于FSAF-Feature Selective Anchor-Free的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---