共计 2620 个字符，预计需要花费 7 分钟才能阅读完成。
论文提出了简略高效的 PSS 分支，仅需在原网络的根底上增加两个卷积层就能去掉 NMS 后处理，还能晋升模型的准确率，而 stop-grad 的训练方法也挺有意思的，值得一看
起源：晓飞的算法工程笔记 公众号
论文: Object Detection Made Simpler by Eliminating Heuristic NMS
- 论文地址：https://arxiv.org/abs/2101.11782
- 论文代码：https://github.com/txdet/FCOSPss
Introduction
以后支流的指标检测算法训练时大都一个 GT 对应多个正样本，使得推理时也会多个输入对应一个指标，不得不对后果进行 NMS 过滤。而论文的指标是设计一个简略的高性能全卷积网络，在不应用 NMS 状况下，可能进行齐全的端到端训练。论文提出的办法非常简略，外围在于增加一个正样本抉择分支 (positive sample selector, PSS)。
论文的次要奉献如下：
- 检测流程在去掉 NMS 后变得更加简略，从 FCOS 到 FCOS$_{PSS}$ 的批改能植入到其余的 FCN 解决方案中。
- 试验证实能够通过引入简略的 PSS 分支来代替 NMS，植入 FCOS 仅需减少大量的计算量。
- PSS 分支非常灵便，实质上相当于可学习的 NMS，因为退出 PSS 分支没有影响到原有构造，可间接去掉 PSS 分支间接应用 NMS。
- 在 COCO 上，失去与 FCOS、ATSS 以及最近的 NMS-free 办法相当或更好的后果。
- 提出的 PSS 分支可利用于其余 anchor-based 检测器中，在每个地位一个 anchor box 的设定下，仅通过 PSS 分支的动静训练样本抉择也能达到不错的后果。
- 同样的想法也可用于其余指标辨认工作中，如去掉实例宰割中的 NMS 操作。
Our Method
FCOS$_{PSS}$ 的整体构造如图 1 所示，仅在 FCOS 的根底上增加了蕴含两个卷积层的 SPP 分支。
Overall Training Objective
残缺的训练损失函数为：
$\mathcal{L}_{fcos}$ 为原版 FCOS 的损失项，蕴含分类损失、回归损失和 center-ness 损失。此外，还有 PSS 分支损失和 ranking 损失。在训练时 $\lambda_2$ 设置为 0.25，因为 ranking 损失对准确率只有些许晋升。
PSS 损失
PSS 分支是 NMS-free 的要害，如图 1 所示，该分支的特色图输入为 $\mathbb{R}^{H\times W\times 1}$。定义 $\sigma(pss)$ 为特色图上的一个点，仅当该点为正样本时才设为 1，所以能够把 PSS 分支当作二分类退出训练。但为了借用 FCOS 多分类的劣势，论文将其与分类特色、center-ness 特色进行交融：
用下面的分数计算 focal loss，与本来的 FCOS 分类的区别是，这里每个 GT 有且仅有一个正样本。
Ranking 损失
论文通过试验发现，在训练时退出 ranking 损失能晋升性能，ranking 损失的定义为：
$\gamma$ 代表正负样本间的间隔，默认设置为 0.5。$n_{+}$ 和 $n_{-}$ 为正负样本数量，$\hat{P}_{i_{+}}(c_{i_{+}})$ 为正样本 $i_{+}$ 对应类别 $c_{i_{+}}$ 的分类分数，$\hat{P}_{i_{-}}(c_{i_{-}})$ 为负样本 $i_{-}$ 对应类别 $c_{i_{-}}$ 的分类分数。在试验中，取 top 100 负样本分数进行计算。
One-to-many Label Assignment
一个 GT 抉择多个 anchor 作为正样本进行训练是以后指标检测宽泛采纳的一种做法，这样的做法可能极大地简化标注要求，同时也可能兼容数据加强。即便标注地位有些许偏差，也不会扭转抉择的正样本。另外，多个正样本可能提供更丰盛的特色，帮忙训练更弱小的分类器，比方尺寸不变性、平移不变性。因而，对于原生的 FCOS 分支的训练仍然采纳一对多的形式。
One-to-one Label Assignment
一对一的训练形式须要每次为 GT 抉择最佳正样本，抉择的时候须要思考分类匹配水平和定位匹配水平，这里，先定义一个匹配分数 $Q_{i,j}$：
$i$ 为预测框编号，$j$ 为 GT 编号，超参数 $\alpha$ 用来调整分类和定位间的比值。$\Omega_j$ 示意 GT $j$ 的候选正样本，采纳 FCOS 的规定，在 GT 的核心区域的点对应的 anchor 均为候选正样本。最初，对所有的 GT 及其正样本采纳二分图匹配，通过匈牙利算法抉择最大化 $\sum_{j}Q_{i,j}$ 的匹配计划。
Conflict in the Two Classification Loss Terms
在论文提出的计划中，损失项 $\mathcal{L}_{fcos}$ 采纳一对多的匹配计划，而损失项 $\mathcal{L}_{pss}$ 采纳一对一的匹配计划，这意味着有局部 anchor 可能会被同时划分为正样本和负样本，导致模型难以收敛。为此，论文提出了 stop-grad 的概念，即阻止 PSS 分支的梯度回传到 FCOS 中。
Stop Gradient
stop-gradient 操作在训练的时候将其中一部分网络设置为常数，定义 $\theta=\{\theta_{fcos},\theta_{pss}\}$ 为网络须要优化的参数，训练的指标是求解：
将上述求解分成两个步骤：
即在一轮迭代中，交替优化参数 $\theta_{fcos}$ 和 $\theta_{pss}$。比方在求解公式 5 时，$\theta_{pss}$ 的梯度置为零，按作者的说法，这块间接用 pytorch 的 detach() 进行拆散。另外一种办法是间接离开训练，当求解公式 5 时，设置 $\theta_{pss}=0$ 直到收敛，等同于本来的 FCOS 训练。而在训练 PSS 分支时，解冻 FCOS 参数直到收敛。论文通过试验发现离开训练能够极大地缩短训练工夫，但性能稍差些。
Experiment
从论文的试验来看，PSS 分支 +stop grad 的成果还是不错的。论文还有很大比照试验，有趣味的能够去看看。
Conclusion
论文提出了简略高效的 PSS 分支，仅需在原网络的根底上增加蕴含两个卷积层就能去掉 NMS 后处理，还能晋升模型的准确率，而 stop-grad 的训练方法也挺有意思的，值得一看。
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】
