针对anchor-point检测算法的优化问题，论文提出了SAPD方法，对不同位置的anchor point使用不同的损耗权重，并且对不同的特征金字塔层进行加权联合训练，采取了大部分人为制定的规则，
来源：超级咖啡豆算法工程笔记公众号
论文：软件锚点对象检测
论文地址： https://arxiv.org/abs/1911.12448论文代码： https://github.com/xuannianz/sapdnotofficial
Introduction
Anchor-free检测方法分为anchor-point类和key-point类两种，相对于key-point类，anchor-point类有以下几点。 1 )更简单的网络结构2 )更高速的训练和推理速度3 )更有效地利用特征，但是anchor-point类的精度一般比key-point类低，所以论文中阻碍了anchor-point类的精度主要有以下两个亮点。软加权锚点。 由于anchor-point算法在训练时一般将满足几何关系的点设定为正采样点，其损耗值的权重均为1，因此位置不正确的点偶尔会增加分类的可信度。 实际上，点的回归难度因位置而异，越靠近目标边缘的点，损耗值的权重越低，网络应该越集中于学习高质量的anchor point。 软选定参数级别。 anchor-point算法为每个训练选择特征金字塔的一个层的特征进行训练，而忽略其他层。 这在某种程度上是徒劳的。 其他层的响应不如选择的层强，但其特征分布应该与选择的层相似，因此可以对多个层赋予不同的权重并同时进行训练。
Detection Formulation with Anchor Points
论文首先介绍了粗略的anchor point目标检测方法的网络结构和训练方法。
Network architecture
网络包含主干网和特征金字塔，特征金字塔的每一层都包含检测头。 特征金字塔的层被标记为层数，层的特征地图大小被标记为输入的两倍的条纹。 的范围通常为3到7，检测头包含分类子网和回归子网。 子网都以5个卷积层开始，在各自的位置预测分类可靠度和4个偏移值。 每个偏移值都是从当前位置到目标边界的距离。
在
Supervision targets
目标的情况下，中心区域为，是定标因子。 如果目标被赋予金字塔层，且anchor point在内，则被认为是正的样本点，分类目标是回归目标归一化的距离，分别是从当前位置到目标的四个边界的距离
是归一化系数。 对于负的样本点，分类目标为背景()，定位目标为null，不需要学习。
Loss functions
每个网络输出点的维分类输出和四维位置回归输出分别使用focal loss和IoU loss进行学习。
网络整体损失为正负样本点之和除以正样本点数：
Soft Anchor-Point Detector
SAPD的核心如图3所示，分别为Soft-Weighted Anchor Points以及Soft-Selected Pyramid Levels，用于调整anchor point权重以及使用特征金字塔的多层进行训练。
Soft-Weighted Anchor Points
False attention基于传统的训练策略，论文观察到部分anchor point输出的定位准确率较差，但是其分类置信度很高，如图4a所示，这会造成NMS过后没有保留定位最准确的预测结果。可能的原因在于，训练策略平等地对待中心区域内的anchor point。实际上，离目标边界越近的点，越难回归准确的目标位置，所以应该根据位置对不同的anchor point进行损失值的加权，让网络集中于优质的anchor point的学习，而不是勉强网络将那些较难回归的点也学习好。
Our solution为了解决上面提到的问题，论文提出soft-weighting的概念，为每个anchor point的损失值增加一个权重，权重由点位置和目标的边界决定，负样本点不参与位置回归的计算，所以直接设为1，完整的权值计算为：
为反映点与目标边界远近的函数，论文设置为centerness函数
为降低的幅度，具体的效果可以看图3，经过Soft-Weighted后，anchor point的权值变成了山峰状。
Soft-Selected Pyramid Levels
Feature selectionanchor-free方法在每轮一般都会选择特征金字塔的其中一层进行训练，选择不同的层的效果完全不同。而论文通过可视化发现，不同层的激活区域实际上是类似的，如图5所示，这意味着不同层的特征可以协作预测。基于上面的发现，论文认为选择合适的金字塔层有两条准则：
选择需基于特征值，而非人工制定的规则。允许使用多层特征对每个目标进行训练，每层需对预测结果有显著的贡献。Our solution为了满足上面两条准则，论文提出使用特征选择网络来预测每层对于目标的权重，整体流程如图6所示，使用RoIAlign提取每层对应区域的特征，合并后输入到特征选择网络，然后输出权重向量。效果可看图3，金字塔每层的权值的山峰形状相似，但高度不同。需要注意，特征选择网络仅在训练阶段使用。
特征选择网络的结构十分简单，如表1，与检测器一起训练，GT为one-hot向量，数值根据FSAF的最小损失值方法指定，具体可以看看之前发的关于FSAF文章。至此，目标通过权重与金字塔的每层进行了关联，结合前面的soft-weighting，anchor point的权值为：
完整的模型的损失为加权的anchor point损失加上特征选择网络的损失：
Experiment
各模块的对比实验。
与SOTA算法进行对比。
Conclusion
针对anchor-point检测算法的优化问题，论文提出了SAPD方法，对不同位置的anchor point使用不同的损失权重，并且对不同的特征金字塔层进行加权共同训练，去除了大部分人为制定的规则，更加遵循网络本身的权值进行训练。
如果本文对你有帮助，麻烦点个赞或在看呗～更多内容请关注 微信公众号【超级的咖啡豆的算法工程笔记】
work-life balance.