解决目标检测中密集遮挡问题——Repulsion loss

本文主要是介绍解决目标检测中密集遮挡问题——Repulsion loss，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！

之前参加了df的钢筋检测比赛，比赛中的一个难点是密集遮挡问题，为了解决这个问题，参考了之前旷视针对人群检测中密集遮挡问题而提出的Reploss，这篇论文收录于cvpr2018。我把Reploss的思路拿过来用在钢筋检测中，效果还是不错的，在这里记录一下这篇论文。
在目标检测中，遮挡问题是比较常见的，主要分为两种，一种是待检测目标之间相互遮挡，一种是待检测目标与被干扰物遮挡，
第一种遮挡又分为类间遮挡和类内遮挡，类内遮挡产生于同类物体，也被称为密集遮挡。第二种遮挡，由于目标干扰物体遮挡，而算法只能学习待检测物体的特征，因此第二种遮挡只能通过增加样本来优化检测效果。
密集遮挡的问题：由于密集遮挡的两个目标的类别是相同的，所以两个目标之间的特征是相似的，检测器很可能无法定位。本应该属于目标A的proposal很可能会想目标B发生偏移，导致定位不准确，而目标B本身有自己的proposal，在接下来的nms中，目标A的proposal很可能被目标B的proposal所抑制，进而造成了目标A的漏检。因此，对于密集遮挡问题，NMS的阈值时很敏感的，阈值过高，造成误检，阈值低，造成漏检。
目前的目标检测器都是利用回归来进行定位，位置回归的目标是让proposal和gtbox尽可能的接近，而不考虑周围的物体。如果预测框周围有其他物体时，对其并没有任何的惩罚。

Rep loss

Reploss收到磁石吸引排斥的启发，Reploss包含三个目标：包括一个吸引项和两个排斥项，吸引项的要求是预测框靠近其目标，而排斥项的目标是需要预测框原理周围其他的gt物体和proposal。
首先正例的proposal是iou>0.5的proposal，其负责的gt为最大iou的gtbox。

Attr

和其他目标检测方法中位置回归的loss一样，使用smoothl1

RepGT

RepGT的目标是让proposal离除了分配的gtbox以为iou最大的gtbox尽可能的远。然后衡量的损失函数是对IoG进行一个smoothln损失。之所以不用iou而用iog的原因是如果然iou尽可能的小，一个可行的优化方向是让proposal尽可能的大，这显然与我们的想法不同，因此考虑使用IoG进行优化。



RepGT可以防止proposal向其他临近的gt偏移

RepBox

RepBox的目标是让来自不同指定目标的proposal尽可能的远。RepBox的loss是对proposal之间的iou进行一个smoothln损失。

RepBox可以降低检测器对nms的敏感度，降低了nms之后不同目标检测卡合并成一个检测框的可能性。使得检测器对于密集的场景更加鲁棒。

最终，repulsion loss是三个loss的和，其中RepBox和RepGT前面需要乘以一个系数，论文中的系数是0.5。

另外，作者对通用的目标检测问题，也使用了Repulsion loss，实验结果证明，通用的目标检测问题存在的密集问题通过repulsion loss也是可以提升精度的。在pascal voc 上使用，也得到了提升。我自己在钢筋检测中亲测有效。
总结：Reploss虽然是为行人检测中密集遮挡问题设计的，但其实用于通用的目标检测中也是有效果的，在目标遮挡的目标检测问题中可以考虑试一下。并且应用起来也很简单，不需要对模型做任何的更改，只是在loss计算的时候修改一下。

这篇关于解决目标检测中密集遮挡问题——Repulsion loss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！

---