同上一篇一样，这边摸鱼笔记也是关于分类和回归分支的权重设计。

论文来源于2021ICCV，论文链接：https://openaccess.thecvf.com/content/ICCV2021/papers/Gao_Mutual_Supervision_for_Dense_Object_Detection_ICCV_2021_paper.pdf

Mutual Supervision for Dense Object Detection（ICCV2021）阅读笔记

笔记1--Table
笔记2--主要方法
- 1、自适应构建候选包，联合分类和回归头来选择属于一个物体的候选框。
- 2、分别从分类和回归的角度对候选anchor进行排序。
- 3、将候选框排序的顺序转换为权重，且作用在每个位置的损失上，用来监督分类和回归头。

笔记1–Table

Article	Aim、Background、Conclusion	Methods、Contributions
Mutual Supervision for Dense Object Detection（ICCV2021）	Aim：在检测器的分类和回归头中提出一种新的监督方法—互相监督（Mutual Supervision（MuSu），用于解决训练阶段分类和回归头相互分配的一致性。	Methods：1、自适应构建候选包，联合分类和回归头选择属于一个物体的候选框。 2、分别从分类和回归角度对候选框进行排序。 3、将候选框排序的顺序转换为权重，且作用在每个位置的损失上，用来监督分类和回归头。
	Background:1、对于来自backbone的相同大小输入的特征图，分类头和回归头期待不同的函数：分类头将这些特征“翻译”成小偏移量的分类得分，而回归头将它们“翻译”成从候选框到回归框的局部偏移量，这导致了这两个任务内在的不一致。 2、最大的分类得分和最精确的回归框存在不一致性，这个不一致性在会削弱检测器的性能，特别是在NMS阶段，按照最大分类得分选择box，而没有考虑其位置的精度。
	Conclusion:1、打破了分类头和回归头相同训练样本，且这两支基于软标签分配的监督方式的传统。 2、 MuSu通过将不同样本以互相方式分配给这两个分支，而无需精细的集合设计，向完全自适应的训练样本迈出了一大步。 3、讨论了相互监督方式下多个anchor设置，这对MuSu是有用的。 4、在MS COCO上证明了有效性。	Contirbutions:提出了cls和reg权重设计方法

笔记2–主要方法

1、自适应构建候选包，联合分类和回归头来选择属于一个物体的候选框。

目的：滤除大量不合适的anchor（背景框，其他物体的框）

方法：定义一个联合加权似然P=分类得分×IoU ^ 4。计算放入候选包的阈值t=b×max ( P )，b为小于1的超参数(0.1)。比如一个anchor过来，计算P，若P大于t，则放入候选包，反之亦然。

2、分别从分类和回归的角度对候选anchor进行排序。

发现：直接用分类分数计算回归头候选框排名、用IoU ^ 4计算分类头的排名这个方法不好。

方法：MuSu利用正则化的标准值计算候选框的排名。两个正则化标准值：V_cls = IoU ^ 4 × 分类得分 ^ α ，V_reg=分类得分×(IoU ^ 4) ^ α，α在0-1范围内。之后对这些值降序排列获得anchor的排序。

3、将候选框排序的顺序转换为权重，且作用在每个位置的损失上，用来监督分类和回归头。

方法：采用负指数方法将排序转化为每个anchor的损失权重（利用一个温度系数来表示分配给一个物体的样本权重，分类温度系数用来控制一个物体正样本的数量—候选包长度的开平方，回归温度系数为分类温度系数的一半）。

Mutual Supervision for Dense Object Detection（ICCV2021）阅读笔记相关推荐

Mutual Supervision for Dense Object Detection
Mutual Supervision for Dense Object Detection 作者用这幅图来描述分类和回归头的inconsistency,指出现有在目标检测中存在的问题. FCOS的分类 ...
CenterNet: Keypoint Triplts for Object Detection 论文阅读笔记
论文名称:CenterNet: Keypoint Triplts for Object Detection 作者:Kaiwen Duan & Song Bai等论文链接:https://ar ...
Class-Aware Robust Adversarial Training for Object Detection论文阅读笔记
针对目标检测的类感知对抗训练 2021年的CVPR,哥伦比亚大学和中心研究院合作的工作. 摘要: 目的通过对抗训练增强目标检测的鲁棒性,对于一张给定的图像,本文提出的方法产生一个通用的对抗性攻击 ...
目标检测--Focal Loss for Dense Object Detection
Focal Loss for Dense Object Detection ICCV2017 https://arxiv.org/abs/1708.02002 本文算是用简单的方法解决复杂的问题了,好 ...
目标检测 | RetinaNet：Focal Loss for Dense Object Detection
论文分析了 one-stage 网络训练存在的类别不平衡问题,提出能根据 loss 大小自动调节权重的 focal loss,使得模型的训练更专注于困难样本.同时,基于 FPN 设计了 RetinaN ...
Feature Selective Anchor-Free Module for Single-Shot Object Detection论文阅读翻译 - 2019CVPR
Feature Selective Anchor-Free Module for Single-Shot Object Detection论文阅读翻译文章目录 Feature Selective A ...
Focal Loss for Dense Object Detection（整理后转载）
@[TOC](Focal Loss for Dense Object Detection 论文目标核心思想 focal loss的提出交叉熵损失函数 focal loss的重要性质 focal l ...
RetinaNet——《Focal Loss for Dense Object Detection》论文翻译
<Focal Loss for Dense Object Detection> 摘要迄今为止最高精度的对象检测器基于由R-CNN推广的 two-stage 方法,其中分类器应用于稀疏的候 ...
RetinaNet论文详解Focal Loss for Dense Object Detection
一.论文相关信息 1.论文题目:Focal Loss for Dense Object Detection 2.发表时间:2017 3.文献地址:https://arxiv.org/pdf ...

Mutual Supervision for Dense Object Detection（ICCV2021）阅读笔记

Mutual Supervision for Dense Object Detection（ICCV2021）阅读笔记

笔记1–Table

笔记2–主要方法

1、自适应构建候选包，联合分类和回归头来选择属于一个物体的候选框。

2、分别从分类和回归的角度对候选anchor进行排序。

3、将候选框排序的顺序转换为权重，且作用在每个位置的损失上，用来监督分类和回归头。

Mutual Supervision for Dense Object Detection（ICCV2021）阅读笔记相关推荐

最新文章

热门文章

Mutual Supervision for Dense Object Detection（ICCV2021）阅读笔记

Mutual Supervision for Dense Object Detection（ICCV2021）阅读笔记

笔记1–Table

笔记2–主要方法

1、 自适应构建候选包，联合分类和回归头来选择属于一个物体的候选框。

2、 分别从分类和回归的角度对候选anchor进行排序。

3、 将候选框排序的顺序转换为权重，且作用在每个位置的损失上，用来监督分类和回归头。

Mutual Supervision for Dense Object Detection（ICCV2021）阅读笔记相关推荐

最新文章

热门文章

1、自适应构建候选包，联合分类和回归头来选择属于一个物体的候选框。

2、分别从分类和回归的角度对候选anchor进行排序。

3、将候选框排序的顺序转换为权重，且作用在每个位置的损失上，用来监督分类和回归头。