本文共 1871 字，大约阅读时间需要 6 分钟。
文章目录
2021CVPR，旷视团队
文章链接：https://arxiv.org/abs/2103.09460
代码链接：https://github.com/megvii-model/YOLOF这篇文章有点意思，我认为这篇文章对3D目标检测问题有很大启发。本文先介绍文章，再介绍启发。
YOLOF
FPN的作用到底是什么？
FPN已经成为backbone的必备组件，无论是在anchor based还是在anchor free上面。而且对于FPN的认识，以往都是人为FPN能够将全局特征向下传递，并且融合多个尺寸的特征，使得能够提升特征图分辨率的同时，使得特征图的特征仍然拥有高级的语义信息。这种观点引发了PAN结构的neck，或者是EfficientDet中的BiFPN。
但本文提出，FPN的作用更大程度是在于对物体的分而治之的策略，就是不同大小的物体使用不同分辨率的特征图来预测。本文先做了一个实验，如下图：
上左图为FPN，左列为使用融合不同scale的特征图，上行为使用分治策略，右下为既不融合不同scale也不分治。 对比上图，可以得到两个结果：1）C5具备的特征既具有全局特征，也具有局部特征，因为右上图仅用C5特征图的检测，只比使用融合scale的低0.9；2）FPN的有效果的原因更多在于分治策略，而不是融合多scale特征图。
作者还发现，RetinaNet中，Decoder也就是检测头网络要在多个特征图中进行密集预测，需要花大量时间，如下图：
那作者就提出，既然C5特征已经足够充分了，可不可以只用一个特征图就把检测问题搞定，从而减少计算量？那么baseline就是右下图，既没有融合多个scale，也没有分治策略。 YOLOF
既然取消了分治策略，只用一个特征图来预测，就需要使得C5特征图的学习重点需要遍布所有物体，也就是感受野需要覆盖由小到大各种各种物体大小。因此，作者提出在C5后面接上空洞卷积来提升感受野，但又不能单纯的扩大感受野，要照顾小的物体，所以将空洞卷积设计成了残差连接的方式，如下图：
但我这里有个问题，既然要让一个特征图既能关注小物体，也能关注大物体，为什么不将空洞卷积设计成concat的模式，而是Res的模式呢？ 作者认为分治策略可以使用更高分辨率的特征图来预测小物体，那在同一个特征图中，大物体和小物体所对应的正例anchor数量就差很多。比如大anchor左右移动几个像素，对于大物体来说，可能不怎么影响IoU，但对于小物体和小anchor，左右移动几个像素，可能anchor就从正例变成了负例了。所以作者提出了Uniform Matching的方式：1）对于每个gt，寻找k个最近邻的anchor作为正例，这样就保证了各种大小的gt对应的正例数量一样，然后将IoU>0.7的负例忽略，IoU<0.15的正例忽略。
但我认为这样在k小的时候可能还有用，当k大了，对于小物体而言，本身就没有那么IoU>0.15的anchor，肯定小样本的正例还会少一些。
Experiment
效果要比RetinaNet好，就是说用了单一特征图做检测，效果还不错
Ablation Study
两个创新的作用
其他
分别验证了如下：
- 扩张卷积的加入，能够提升各个大小的检测效果，而且加的越多，效果越好，但加多了也就饱和了
- 扩张卷积的扩张尺寸，加的差不多大就好，加的大了，就可能对小物体不好了
- 在扩张卷积中加入shorcut，构建res的形式很重要
- uniform matching中k的选取越多越好，但存在饱和。但实验也就做到了5，还不如ATSS中给的9多，所以我认为这个结论并不solid，k大了如何保证uniform？
- 相比于ATSS，uniform matching在这篇文章中效果更好
3D目标检测的启发
3D目标检测大多是基于俯视图的，而且是单阶段的，而且是只是用一个scale的特征图的，而且物体也有car和pedestrian不同分别的。例如PVRCNN，Part-A^2等网络，都是栅格化0.05m0.05m或者0.1m0.1m，然后降采样8倍，也就是说，pedestrian占据在特征图中的像素也就是1-4，其实也很小了，而car则有3m长，2m宽，差别还是挺大的。
所以本文中的空洞卷积以及uniform matching正好用上。
转载地址：https://blog.csdn.net/wqwqqwqw1231/article/details/118094868 如侵犯您的版权，请留言回复原文章的地址，我们会给您删除此文章，给您带来不便请您谅解！
发表评论
最新留言
关于作者
