为了高效地学习精确的预测框及其散布，论文对Focal loss进行拓展，提出了可能优化间断值指标的Generalized Focal loss，蕴含Quality Focal loss和Distribution Focal loss两种具体模式。QFL用于学习更好的分类分数和定位品质的联结示意，DFL通过对预测框地位进行general散布建模来提供更多的信息以及精确的预测。从试验后果来看，GFL可能所有one-stage检测算法的性能
 
起源：晓飞的算法工程笔记 公众号

论文: Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection

  • 论文地址：https://arxiv.org/abs/2006.04388
  • 论文代码：https://github.com/implus/GFocal

Introduction

  目前，dense detector(one-stage)是指标检测中的支流方向，论文次要探讨其中的两个做法：

  • 预测框的示意办法(representation)：可认为是网络对预测框地位的输入，惯例办法将其建模为简略的Dirac delta散布，即间接输入地位后果。而有的办法将其建模为高斯分布，输入均值和方差，别离示意地位后果和地位后果的不确定性，提供额定的信息。

  • 定位品质预计：最近一些钻研减少了额定的定位品质预测，比方IoU-Net退出了IoU分数的预测和FCOS退出了centerness分数的预测，最初将定位品质以及分类分数合并为最终分数。

  通过剖析，论文发现上述的两个做法存在以下问题：

  • 定位品质预计和分类分数理论不兼容：首先，定位品质预计和分类分数通常是独立训练的，但在推理时却合并应用。其次，定位品质预计只应用正样本点进行训练，导致负样本点可能预计了高定位品质，这种训练和测试的差别会升高检测的性能。
  • 预测框示意办法不够灵便：大多算法将其建模为Dirac delta散布，这种做法没有思考数据集中的歧义和不确定局部，只晓得后果，不晓得这个后果靠不靠谱。尽管有的办法将其建模为高斯分布，但高斯分布太简略粗犷了，不能反映预测框的实在散布。

  为了解决下面的两个问题，论文别离提出了解决的策略：

  • 对于定位品质预计，论文将其间接与分类分数进行合并，保留类别向量，每个类别的分数的含意变为与GT的IoU。另外，应用这种形式可能同时对正负样本进行训练，不会再有训练和测试的差别。

  • 对于预测框的示意办法，应用general的散布进行建模，不再强加任何的束缚，不仅可能取得牢靠和精确的预测后果，还能感知其潜在的实在散布状况。如上图所示，对于存在歧义或不确定的边界，其散布会体现为较平滑的曲线，否则，其散布会示意为尖利的曲线。

  实际上，应用上述提到的两种策略会面临优化的问题。在惯例的one-stage检测算法中，分类分支都应用Focal loss进行优化，而Focal loss次要针对离散的分类标签。在论文将定位品质与分类分数联合后，其输入变为类别相干的间断的IoU分数，不能间接应用Focal loss。所以论文对Focal loss进行拓展，提出了GFL(Generalized Focal Los)，可能解决间断值指标的全局优化问题。GFL蕴含QFL(Quality Focal Los)和DFL( Distribution Focal Los)两种具体模式，QFL用于优化难样本同时预测对应类别的间断值分数，而DFL则通过对预测框地位进行general散布的建模来提供更多的信息以及精确的地位预测。
  总体而言，GFL有以下长处：

  • 打消额定的品质预计分支在训练和测试时的差别，提出简略且高效的联结预测策略。
  • 很好地对预测框的实在散布进行灵便建模，提供更多的信息以及精确的地位预测。
  • 在引入额定开销的状况下，可能晋升所有one-stage检测算法的性能。

Method

Focal Loss (FL)

  FL次要用于解决one-stage指标检测算法中的正负样本不均衡问题：

  蕴含规范的穿插熵局部$-log(p_t)$以及缩放因子局部$(1-p_t)^{\gamma}$，缩放因子会主动将容易样本降权，让训练集中于难样本。

Quality Focal Loss (QFL)

  因为FL仅反对离散标签，为了将其思维利用到分类与定位品质联合的间断标签，对其进行了扩大。首先将穿插熵局部$-log(p_t)$扩大为残缺模式$-((1-y)log(1-\sigma) + y\ log(\sigma))$，其次将缩放因子$(1-p_t)^{\gamma}$泛化为预测值$\sigma$与间断标签$y$的相对差值$|y-\sigma|^{\beta}$，将其组合失去QFL：

  $\sigma=y$为QFL的全局最小解。

  缩放因子的超参数$\beta$用于管制降权的速率，体现如上图所示，假设指标间断标签$y=0.5$，间隔标签越远产生的权重越大，反之则趋向于0，跟FL相似。

Distribution Focal Loss (DFL)

  论文跟其它one-stage检测算法一样，将以后地位到指标边界的间隔作为回归指标。惯例的办法将回归指标$y$建模为Dirac delta散布，Dirac delta散布满足$\int^{+\infty}_{-\infty}\delta(x-y)dx=1$，可通过积分的模式求得标签$y$：

  如后面说到的，这种办法没有体现预测框的实在散布，不能提供更多的信息，所以论文打算将其示意为general的散布$P(x)$。给定标签$y$的取值范畴$[y_0, y_n]$，可像Dirac delta散布那样从建模的genreal散布失去预测值$\hat{y}$：

  为了与神经网络兼容，将间断区域$[y_0, y_n]$的积分变为离散区域$\{y_0, y_1, \cdots, y_i, y_{i+1}, \cdots, y_{n-1}, y_n \}$的积分，离散区域的距离$\Delta=1$，预测值$\hat{y}$可示意为：

  $P(x)$可通过softmax操作$\mathcal{S}(\cdot)$取得，标记为$\mathcal{S}_i$，预测值$\hat{y}$可应用惯例的办法进行后续的end-to-end学习，比方Smooth L1、IoU loss和GIoU Loss。

  但实际上，同一个积分后果$y$可由多种不同散布所得，会升高网络学习的效率。思考到更多的散布应该集中于回归指标$y$的左近，论文提出DFL来强制网络进步最靠近$y$的$y_i$和$y_{i+1}$的概率，因为回归预测不波及正负样本不均衡的问题，所以DFL仅须要穿插熵局部：

  DFL的全局最优解为$\mathcal{S}_i=\frac{y_{i+1}-y}{y_{i+1}-y_i}$，$\mathcal{S}_{i+1}=\frac{y - y_i}{y_{i+1}-y_i}$，使得$\hat{y}$有限靠近于标签$y$。

Generalized Focal Loss (GFL)

  QFL和DFL可对立地示意为GFL，假设值$y_l$和$y_r$的预测概率别离为$p_{y_l}$和$p_{y_r}$，最终的预测后果为$\hat{y}=y_l p_{y_l}+y_r p_{y_r}$，GT标签为$y$，满足$y_l \le y \le y_r$，将$|y-\hat{y}|^{\beta}$作为缩放因子，GFL的公式为：

  GFL的全局最优在$p^{*}_{y_l}=\frac{y_r-y}{y_r-y_l}$，$p^{*}_{y_r}=\frac{y-y_l}{y_r-y_l}$。

  FL、QFL和DFL均可认为是GFL的非凡状况。应用GFL后，与原来的办法相比有以下不同：

  • 分类分支的输入间接用于NMS，不必再进行两分支输入合并的操作
  • 回归分支对预测框的每个地位的预测，从原来的输入单个值变为输入$n+1$个值

  在应用GFL后，网络损失$\mathcal{L}$变为：

  $\mathcal{L}_{\mathcal{B}}$为GIoU损失

Experiment

  性能比照。

  比照试验。

  基于ATSS与SOTA算法进行比照。

Conclusion

  为了高效地学习精确的预测框及其散布，论文对Focal loss进行拓展，提出了可能优化间断值指标的Generalized Focal loss，蕴含Quality Focal loss和Distribution Focal loss两种具体模式。QFL用于学习更好的分类分数和定位品质的联结示意，DFL通过对预测框地位进行general散布建模来提供更多的信息以及精确的预测。从试验后果来看，GFL可能所有one-stage检测算法的性能。

 
 
 

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】