[论文解读] Soft Anchor-Point Object Detection

Chenchen Zhu, Fangyi Chen+2 more|arXiv (Cornell University)|Nov 27, 2019

Advanced Neural Network Applications参考文献 37被引用 12

一句话总结

本文提出了一种新型训练策略——软锚点检测（SAPD），用于无锚框目标检测器，可在不牺牲速度的前提下提升检测精度。通过引入软加权锚点以减少特征金字塔各层级内的误注意力，并采用软选择的金字塔层级以优化多层级特征的使用，SAPD在单模型、单尺度设置下于COCO数据集上达到47.4%的AP，性能超越所有现有的无锚框与有锚框检测器，达到当前最先进水平。

ABSTRACT

Recently, anchor-free detection methods have been through great progress. The major two families, anchor-point detection and key-point detection, are at opposite edges of the speed-accuracy trade-off, with anchor-point detectors having the speed advantage. In this work, we boost the performance of the anchor-point detector over the key-point counterparts while maintaining the speed advantage. To achieve this, we formulate the detection problem from the anchor point's perspective and identify ineffective training as the main problem. Our key insight is that anchor points should be optimized jointly as a group both within and across feature pyramid levels. We propose a simple yet effective training strategy with soft-weighted anchor points and soft-selected pyramid levels to address the false attention issue within each pyramid level and the feature selection issue across all the pyramid levels, respectively. To evaluate the effectiveness, we train a single-stage anchor-free detector called Soft Anchor-Point Detector (SAPD). Experiments show that our concise SAPD pushes the envelope of speed/accuracy trade-off to a new level, outperforming recent state-of-the-art anchor-free and anchor-based detectors. Without bells and whistles, our best model can achieve a single-model single-scale AP of 47.4% on COCO.

研究动机与目标

• 为解决尽管无锚框检测器具有速度优势，但其性能仍落后于关键点检测器的问题。
• 识别出无效训练是限制无锚框检测器精度提升的主要障碍。
• 联合优化特征金字塔层级间与层级内锚点，以提升定位精度与特征利用效率。
• 消除对启发式特征层级选择与训练中误注意力的依赖。

提出的方法

• 引入软加权锚点，根据其与真实框的几何距离以及每层特征参与度，重新加权损失贡献。
• 使用轻量级特征选择网络学习实例相关的各层级参与度，与检测器联合优化。
• 对分类损失与定位损失同时应用软加权，以平衡检测性能并抑制对齐不佳的特征。
• 通过在训练阶段软选择金字塔层级实现多层级特征融合，避免刚性单层级分配。
• 将特征选择网络与检测器端到端联合训练，但在推理阶段排除该网络以保持速度。
• 在训练阶段直接应用软加权策略，而非后处理，从而直接纠正误注意力问题。

实验结果

研究问题

• RQ1 为何无锚框检测器尽管推理更快、结构更简单，但性能仍低于关键点检测器？
• RQ2 如何缓解训练中的误注意力问题，以提升无锚框检测器的定位精度？
• RQ3 在多层级特征金字塔中，如何最优地选择与加权特征以提升检测性能？
• RQ4 在训练阶段对损失进行软加权，是否能优于在推理阶段对置信度分数进行重加权？
• RQ5 对金字塔层级间锚点进行联合优化，是否能在不同主干网络架构上持续带来精度提升？

主要发现

• SAPD在单模型、单尺度设置下于COCO数据集上达到47.4% AP，超越最佳关键点检测器CenterNet（44.9% AP），且速度超过TridentNet（46.8% AP）的三倍以上。
• 软加权锚点策略在ResNet-50主干网络上将基线FSAF模型的AP提升2.1%，且未引入任何推理延迟。
• 在训练阶段对损失进行软加权，相比在推理阶段应用最优中心度重加权方法，可额外提升1.1% AP（后者仅提升0.6%）。
• 同时对分类与定位损失应用软加权可获得最佳性能（48.5% AP），而仅重加权单一损失则导致性能下降。
• 特征选择网络成功学习到各实例在金字塔层级间的参与度，实现了高效多层级特征利用，且未增加推理成本。
• 所提方法对超参数具有鲁棒性，并在不同主干网络及先进特征金字塔结构（包括Balanced FPN）上表现一致。