其他分享
首页 > 其他分享> > 面向任意对象的动态锚学习 DAL

面向任意对象的动态锚学习 DAL

作者：互联网

本文提出了一种动态锚学习（DAL）方法，利用新定义的匹配度综合评价锚的定位能力，进行更有效的标签分类过程。

introduction

作者发现正锚框和负锚框的划分并一定是与检测性能相关，高质量的锚框不一定能输出更好的结果，低质量的也不一定输出的是差的结果。

如图1，a表明高输入的IoU的锚并不能保证完美的检测，图中绿框就没有对齐。而在图b中，锚框的质量比较低，其与GT框的空间对齐差，但是仍然有可能对目标进行精确定位，但是由于被分为负样本，分类置信不高，最后不会被检测输出。

输入IoU为GT框和锚框之间的IoU，输出IoU为GT框和回归框之间的IoU。

针对这个现象，作者统计了所有候选锚定位性能的分布，以探索这一现象是否普遍，结果下图所示。

(a)只有74%的正样本锚在回归后能够很好地定位GT(输出IoU大于0.5)，说明引入了很多假正样本。

(b)只有42%的高质量检测(输出IoU大于0.5)来自匹配的锚点，这意味着相当多的负锚点(本例为58%)具有实现精确定位的潜力。

(c)目前的标签分配导致分类置信度与输入IoU之间的正相关。

(d)高性能检测结果的定位能力与分类置信度之间的相关性较弱，不利于在推理过程中通过分类得分选择准确的检测结果。

此外，锚回归前后的定位性能不一致性进一步导致分类与定位不一致。输入IoU并不完全等同于定位性能，大量的高输出IoU的回归框被误判为背景。

为了解决这个问题，作者提出了一种动态锚学习（DAL）方法来更好地分配标签。

　　首先，设计匹配度（md）来评估锚点的定位潜力，其考虑了空间对齐的先验信息、定位能力和回归不确定。然后，用匹配度进行训练样本的选择，帮助消除假的正样本，动态挖掘出潜在的高质量的候选样本，并抑制回归不确定性带来的干扰。接下来，提出了匹配敏感损失函数，进一步缓解分类和回归之间的不一致性，使分类器能够更好的区分具有较高定位性能的候选样本，最终实现高质量的检测。

本文主要贡献：

  1.  我们发现基于IoU的标签分配会导致定位能力的次优评估，进而导致分类和回归性能的不一致。
  2. 引入匹配度来衡量锚的定位能力。为了实现高质量的检测，提出一种基于该指标的标签方法。
  3. 提出了匹配敏感损失，缓解了分类与回归之间的弱相关性问题，增强分类器对高质量样本的识别效果。

建立在RetianNet的旋转检测器

　　作者采用单级检测器RetinaNet作为基线模型，其骨干网络为ResNet-50，采用类似FPN的结构构造多尺度特征金字塔。本文认为旋转锚是低效和不必要的，所以没有使用旋转锚。

引入了角度参数，对于边框回归，其偏移量的计算公式为：

 其中x，y，w，h，θ分别表示中心坐标、宽度、高度和角度，x和xa分别为预测框和锚，真实标签框偏移多任务损失为：

其中，p值和向量t分别表示预测的分类评分和预测的框偏移量。变量p *表示锚的类别标签(正样本p * = 1，负样本p * = 0 )。

 动态锚选择

匹配度：利用 空间的先验信息、特征对齐能力和锚点的回归不确定来衡量定位能力：

其中sa表示空间对齐的先验，其值等价于输入IoU。fa表示通过IoU计算GT框与回归边框之间的特征对齐能力。α和γ是用来衡量不同项目的影响的超参数。u是惩罚项，表示训练过程中的回归不确定性。它通过回归前后的IoU变化得到的：

抑制回归过程中的干扰对高质量的锚点采样和稳定的训练至关重要。IoU回归前后的变化表示锚点评估错误的概率。

在训练阶段，首先计算GT 框与锚的匹配度，然后选择匹配度高于一定阈值(本文的实验设置为0.6)的锚为正锚，其余为负锚。之后，对于不匹配任何锚的GT，匹配度最高的锚将被补偿为正候选锚。为了实现更稳定的培训，在训练过程中逐步调整输入IoU的影响。具体调整时间表如下

 

Max_Iteration为迭代次数的总和，α0为公式(3)中出现的最终加权因子。

 匹配敏感损失（MSL）

 将匹配度融入训练过程，提出了匹配敏感损失函数：

其中Ψ和Ψp分别表示所有锚点和匹配度阈值选择的正样本。N和Np表示锚框总数和锚的总数，FL函数RetinaNet定义的facal loss。Wj表示匹配补偿因子，用于区分不同定位潜力的正样本。对于每一个真实标签框g，首先计算它所有锚的匹配度md。然后根据确定的阈值被选择正候选锚，其匹配度用mdpos表示。假设g的最大匹配程度是mdmax，补偿值表示为Δmd，则有：

 将各正数的匹配度Δmd相加形成匹配补偿因子：

检测器利用匹配补偿因子，对不同定位能力的正样本进行不同的处理，更加关注高定位潜力的候选对象。由于匹配度衡量的是锚的定位能力，因此可以进一步利用匹配度促进高质量的定位。匹配敏感 的损失函数为：

其中LsmoothL1表示回归时的smooth-L1损失。在回归损失中嵌入匹配补偿因子w，避免高质量正数的损失贡献淹没在与GT框空间对齐性较差的样本的显性损失中。从图3 ( a )可以看出，分类评分与回归框的定位能力之间的相关性不够强，导致分类置信度选取的预测结果有时不可靠。经过匹配敏感损失训练后，如图3 ( b )所示，较高的分类评分准确表征了输出IoU所代表的较好定位性能，验证了所提方法的有效性。

 

标签：定位,GT,匹配,DAL,IoU,样本,面向,任意,回归
来源： https://www.cnblogs.com/jolinl/p/14605874.html