共计 2528 个字符，预计需要花费 7 分钟才能阅读完成。
论文提出了细粒度动静 detection head，可能基于路由机制动静地交融不同 FPN 层的像素级部分特色进行更好的特色表白。从设计的路由空间来看是一个非常耗时的操作，然而作者设计的高效路由器理论计算非常高效。试验后果来看，细粒度动静 detection head 能够即插即提点
起源：晓飞的算法工程笔记 公众号
论文: Fine-Grained Dynamic Head for Object Detection
- 论文地址：https://arxiv.org/abs/2012.03519
- 论文代码：https://github.com/StevenGrove/DynamicHead
Introduction
在指标检测算法的钻研中，特色金字塔 FPN 是非常重要的构造，可能很好地表白指标的多尺度特色。近期也有很多 FPN 构造的改良钻研，比方手工设计的 PANet、FPG 以及主动搜寻的 NAS-FPN、Auto-FPN。但上述的改良钻研有两点问题：
- 在训练时将训练指标粗略地调配给某个 FPN 层，并且认为指标区域是不可分割，层间交融也是整层进行。这种策略可能会疏忽了指标扩散在 FPN 不同层的细粒度部分特色，这些部分特色可能很好地进步指标的语义信息。
- detection head 的预测后果基于单层 FPN 特色，分辨率固定，可能会疏忽了重要的小区域特色。
为了解决上述的问题，论文提出了细粒度动静 detection head，可能基于路由机制动静地交融不同 FPN 层的像素级部分特色进行更好的特色表白。该办法参考了粗粒度的动静网络办法，集中在像素级别进行路由抉择。
Fine-Grained Dynamic Routing Space
FPN-based 指标检测网络通过骨干网络获取不同分辨率特色，而后通过 top-bottom pathway 以及横向连贯进行多尺度特色交融，最初应用简略的共享 detection head 对不同分辨率的特色进行后果预测。
细粒度动静 detection head 的外围在于细粒度动静路由空间 (fine-grained dynamic
routing space) 的设计，如上图所示。对于第 $n$ 层特色，动静路由空间的深度为 $D$，与 FPN 的 3 层特色相干，别离为 $n$ 层、$n-1$ 层以及 $n+1$ 层。动静路由空间的根底为细粒度动静路由器(fine-grained dynamic router)，依据状态抉择各像素的后续门路，每个像素有 3 个不同的门路可供选择。
Fine-Grained Dynamic Routing Process
给定路由空间以及几个独立的节点，应用论文提出的细粒度动静路由器 (fine-grained dynamic routers) 实现多尺度特色的交融，次要进行 element-wise 的相加以及像素级路由门路的抉择。
Fine-Grained Dynamic Router
给定路由空间节点 $l$，该节点的特色标记为 $x^l=\{x_i^l \}^N_{i=1}$，$N=H\times W$ 为像素地位，共有 $C$ 维，路由节点的候选门路 $F={f_k^l(\cdot) | k\in {1, \cdots, K}
}$ 依据相邻 FPN 层的尺寸定义，$K$ 为候选门路数。每个门路都有一个空间管制门(spatial gate)，空间管制门的输入为门控因子(gating factor)：
$\theta_k^l$ 为帮助网络的参数，对应第 $k$ 个管制门，参数是地位共享的。而 $m_i^{k,l}\in [0, 1]$ 是间断的，容许单个像素的多个后续门路被激活。在实现时，只取激活门控因子为负数的门路，所以单节点的多路径路由输入为：
Gate Activation Function
门控激活函数的输入范畴为 $[0,1]$，当输入为 0 时禁止该门路。另外，门控激活函数必须是可微的，不便反向流传的学习。在思考了其它钻研的实现计划之后，论文提出了 restricted tanh 函数的变种：
$\tau$ 为超参数，用于管制 $0^+$ 的梯度值。公式 3 不仅可导，还解决了 restricted tanh 在零处梯度不间断的问题。
Routing Path
路由器在每个地位均有 3 个可选的后续门路，高低采样门路采纳图 b 的构造进行实现，蕴含线性采样操作，而非采样门路则应用图 a 的构造进行实现。对于空间管制门 $g_k^l(\cdot)$ 则应用了图 c 的轻量级构造进行实现，先通过 $3\times 3$ 卷积将输出转换为维度为 1 的特色，而后通过论文提出的门控激活函数 $\delta(\cdot)$ 将输入束缚到 $[0,1]$，将 $m^{k,j}$ 进行最大池化后进行量化，非零的均量化为一，输入掩膜 $\mathcal{M}^{k,j}$，最初基于掩膜进行空间稠密卷积($3\times 3$)。
因为激活的门路数会被束缚，池化和量化能够过滤掉大量未被激活的门路，缩小很多计算量。其实这里最省的是只计算 $m^{k,j}$ 非零的地位，但思考非采样门路 a 须要进行两次稠密卷积，还是池化一下靠谱点。另外，高低采样门路 b 里的卷积都采样深度卷积，进一步缩小计算量。
Resource Budget
过多的路由门路会造成过大的计算量，所以须要减少一个惩办项来疏导路由器禁用尽可能多的门路。定义 $\mathcal{C}^{k,l}$ 为门路相干的计算复杂度，则单节点的计算耗费为：
$\Omega_i^{k,l}$ 为地位 $i$ 的感触域，这里采纳最大池化来间接获取须要进行计算的地位，跟下面的图 c 相似。公式 4 可能很好的疏导缩小门控特色图 $m^{k,l}$ 的值，将细粒度动静路由增加到网络时，需减少资源耗费的损失项：
最终残缺的网络损失函数为：
Experiment
在 FCOS 上的比照试验。
不同网络上的适配。
Conclusion
论文提出了细粒度动静 detection head，可能基于路由机制动静地交融不同 FPN 层的像素级部分特色进行更好的特色表白。从设计的路由空间来看是一个非常耗时的操作，然而作者设计的高效路由器理论计算非常高效。试验后果来看，细粒度动静 detection head 能够即插即提点。
如果本文对你有帮忙，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】
