本文共 2049 字，大约阅读时间需要 6 分钟。
&Title:
- Github addr None
&Summary
介绍了一种新的一阶段检测方法Dubox，它可以在没有先验框的情况下检测物体。设计的双尺度残差单元具有多尺度特性，使双尺度检测器不再独立运行。高层检测器学习低层检测器的残差。
Dubox增强了启发式引导的能力，进一步使第一尺度探测器能够最大限度地检测小目标，第二尺度探测器能够检测第一尺度探测器无法识别的目标。此外，对于每一个比例探测器，采用新的classification-regression progressive strap loss（CRPS）,使检测过程不基于先验框。结合这些策略，检测算法在速度和精度方面取得了优异的性能。&Research Objective
anchor-free + 双尺度预测
&Problem Statement
传统的神经目标检测方法使用多尺度特征，让多个检测器独立并行地在多个分支执行检测任务。同时，加入 先验框（prior box）提高了算法处理尺度不变性的能力 。然而，过多的先验框和多个检测器会增加检测算法的计算冗余度。
- 过多先验框
- 多个检测器
problem：增加检测算法的计算冗余度
&Method(s)
anchor-free + 双尺度预测的方法解决上诉的两个问题，同时在gt的设置时，中心点正样本范围扩大。
双尺度
与使用FPN主干网络的anchor-free方法相比，没有为所有level层建立后续预测分支，而是将下采样到64倍和32倍的分支进行结合，再将16和8倍的分支结合，形成两个融合的尺度预测分支，进行后续的refine。整个算法的框架图如下图所示（这有点像是二阶段的啊？？？）：
Refine Module： 
Bbox Bridge Module： Bbox（边界框）桥模块将低级检测器和高级检测器的回归连接起来，从而使高级别回归基于低级残差。 
残差双尺度检测器使检测器2基于检测器1的预测结果，执行残差学习。 这种方法使我们的设计中的多检测器不是独立的 双尺度的冗余策略：
- Differentiate positive range：设计检测器1中的p为10，检测器2中的p为9。 同时，向检测器1的正范围添加一个约束 => r = arg min (r, 3)。该方法确保了大目标正样本挂钩的数量受到限制，并且提高了低级别检测小目标的性能。
- Differentiate scale weight：物体的目标边界框在原始图像中占据的区域大于0.3，则我们的 检测器 1 的回归将忽略该目标对象。（让大目标给检测器2来检测，检测器1只负责检测小目标）
中心点正样本范围扩大
如下图所示是正样本和负样本GT设置，DuBox使用固定钩(i，j)将bbox的预测和分类结合起来。蓝色的点是positive 的钩，其他的是 negative。
不再像那样直接在中心点画圆框了，而是根据以下公式进行正样本的定义 
P是用于调整范围的预定义值。 理解 “ 中心点正样本范围扩大 ” ？？？？
与、等方法相比，DuBox没有对中心点、左上角或者右下角点进行高斯分布进而对正负样本比例加以抑制，而是扩大正样本中心点可取真值的范围，从另一种角度保证正负样本的均衡。最后，对处理后物体的中心点范围进行回归和分类。如果看过、等算法的人应该知道，它们的gt正样本设置也是相对于上面所提到的算法的正样本范围扩大了不少，这里可以理解为它们都是基于密集点的目标检测算法。而像、等方法则都是基于关键点的目标检测算法。
关于基于密集点的目标检测和基于关键点的目标检测算法，博主这里整理总结了这些算法的异同点，有兴趣的可以前往阅读：- 【论文总结】：基于关键点检测的anchor-free算法总结（待完成）
关于正负样本的其他处理：ignore操作
在、、等算法中，一般都在正负样本范围之间还隔离了一小段区域，克服正负样本波动性，从而防止梯度的波动。 Dubox没有使用固定的ignore范围，而是在loss设计时候是有 iou gate unit自动的学习ignore范围 ：只有回归框和真值框达到0.5的重合时分类才在该点产生loss，从而达到自动学习ignore范围的作用。
&Evaluation
- 论文各个部件的消融实验：
- 在voc上的速度和性能，达到了82.89的map, 其320x320版本达到了79.31map和高达50fps的速度。
- 在coco上的性能：
&Conclusion
基于锚的方法不是对象检测的唯一选择。 Dubox作为一种非先验盒（anchor-free）方法，也可以使用适当的回归损失（CRPS）和网络体系结构有效地工作。 同时，Dubox进一步考虑了多尺度检测的问题，以增强启发式引导特征选择的能力。 提出的双尺度残差单元使多尺度检测器 不会独立运行，而是从低端进行高级学习。 这些策略可提高检测性能，同时显着减少各种规模检测器的冗余。
&Notes
参考
推荐
转载地址：http://rbxen.baihongyu.com/