其他分享
首页 > 其他分享> > RepPointsV2:更多的监督任务,更强的性能 | NIPS 2020

RepPointsV2:更多的监督任务,更强的性能 | NIPS 2020

作者:互联网

RepPointsV2的整体思想类似与Mask R-CNN,加入更多的任务来监督目标检测算法的学习。虽然在创新性上可能不够新颖,但论文的通用性还是很不错的,而且将角点任务的输出用于联合推理,从对比实验上看提升不少

来源:晓飞的算法工程笔记 公众号

论文: RepPoints V2: Verification Meets Regression for Object Detection

Introduction


  神经网络预测的两种方法分别为验证(verification)与回归(regression),当前的一些目标定位方法结合了这两种方法来取得SOTA性能,先对预设的anchor box进行验证从而初步定位,然后回归box的偏移值进行调整。最近一些目标定位方法仅使用回归也取得了不错的性能,比如RepPoints。
  为此,论文研究是否可以在纯回归的定位算法中加入验证任务来增强性能,具体的实现方法是在原网络上加入辅助分支(auxiliary side-branches)的形式,有监督地进行学习,优化中间特征以及最终的检测结果。

A Brief Review of a Pure Regression Method: RepPoints


  RepPoints使用了纯回归的方法,具体的可以看看之前发的文章,从特征图位置$p=(x,y)$开始,直接回归一组点$\mathcal{R}{'}={p{'}_i=(x^{'}_i, y^{'}_i)}$来表达目标的空间位置,共有两个连续的步骤:

  $\mathcal{R}={p_i=(x_i, y_i)}{n}_{i=1}$为中间的点集,$F_p$为位置$p$的特征向量,$g_i$和$g{'}_i$为2-d的回归函数,最终的bbox通过转化函数$\mathcal{T}$从点集$\mathcal{R}$和$\mathcal{R}^{'}$得到。尽管RepPoints使用了纯回归方法,没有anchor验证步骤,其性能并不比anchor-based方法差。

Corner Point Verification


  角点验证由CornerNet提出,是论文采用的其中一种验证方法,在很多keypoint-based检测算法中有应用。角点验证给每个特征图位置预测一个分数,用来判断该特征点是否为目标的左上角点或右下角点,再预测两个偏移值来分别对角点进行调整,弥补下采样导致的精度问题。
  论文的实现跟原版的类似,使用corner pooling进行特征提取,使用focal loss训练角点分数预测以及smooth L1 loss训练偏移值。若GT角点位于该特征点的bin中,则认为该特征点为正样本,其它均为负样本。在计算损失时,越靠近正样本点的负样本点会根据距离给一个高斯分数,可进行更平滑的学习。
  当然,论文进行了一些改进,GT角点直接对应到FPN各层,不需要根据目标的大小决定对应哪层。

Within-box foreground verification


  另一个验证任务是验证特征点是否在物体的内部,这种前景验证的信息均匀地存在于物体内部区域,不像角点那样集中于物体的极点。使用一个类别热图进行训练,对于$C$个物体类别,类别热图共有$C$维特征,每个维度表示该特征点属于该类别的概率。同样点,GT直接对应到FPN各层。
  需要注意的是,经典的focal loss可能会使大物体相对于小物体得到更多的关注。为此,论文提出正则化focal loss,对于正样本点,根据其对应的物体包含的特征点数进行损失值的正则化,而对于负样本点,使用正样本点总数进行损失值的正则化。

A General Fusion Method


  由于上述的两种验证任务都是相对物体的局部而言的,而纯回归的目标检测方法通常是直接检测目标的整体,所以论文采用辅助分支的形式接入,如图1所示,分别优化中间特征以及最终的检测结果。基于辅助分支,检测器可以得到以下收益:

RepPoints v2: Fusing Verification into RepPoints


  为了让RepPoints与辅助验证任务分支有更好的兼容性,显式地将点集的前两个点定义为左上角点和右下角点(explicit-corners),并根据这两个点将预测的点集转化为预测框。

  验证模块取定位子网(详情取看看RepPoints的文章)的第三个卷积层的输出作为验证任务的输入,验证模块的结构如图2所示,完整训练损失函数为:

Experiments


  explicit-corners与原先方法的的效果对比。

  两种验证任务的效果对比。

  3种融合方法的效果对比。

  与SOTA性能对比。

Conclusion


  RepPointsV2的整体思想类似与Mask R-CNN,加入更多的任务来监督目标检测算法的学习。虽然在创新性上可能不够新颖,但论文的通用性还是很不错的,而且将角点任务的输出用于联合推理,从对比实验上看提升不少。



如果本文对你有帮助,麻烦点个赞或在看呗~
更多内容请关注 微信公众号【晓飞的算法工程笔记】

work-life balance.

标签:论文,验证,特征,RepPointsV2,角点,任务,2020,RepPoints,NIPS
来源: https://www.cnblogs.com/VincentLee/p/14960480.html