CVPR2020：D2Det论文解读

本文主要是介绍CVPR2020：D2Det论文解读，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

文章目录

译者注
摘要
引言
- 贡献点
相关工作
我们的方法
- 3.1 Dense Local Regression
- 3.2 Discriminative RoI Pooling
- 3.3 实例分割
实验
- 4.1 数据集和实现细节

译者注

这篇论文在MS COCO和UAVDT上都取得了很好的效果，是目前的state-of-the-art。该文章的方法是two-stage的，但是在分类方面却使用了anchor-free的方式计算位置偏移量，并且使用实例分割参与了目标定位的修正，这点想法非常有趣。另外在分类方面，该文章提出了判别性特征并不是等距地分布在图像上，并且引入变形卷积来获得对分类有帮助的判别性特征。总的来说，这篇工作对于目标检测的定位和分类任务都提出了比较好的方法，也取得比较好的效果，值得一读。
论文：D2Det: Towards High Quality Object Detection and Instance Segmentation
github：https://github.com/JialeCao001/D2Det

摘要

我们提出了一个新颖的two-stage检测方法——D2Det，这个方法同时解决了精确定位和准确分类。对于精确定位，我们引入了一种dense local reression方法(密集局部回归，此处翻译采用了直译，但为避免出现歧义，此类名词后面都将使用原英文)，这种方法是用来预测每一个目标候选框的多个dense box offsets(密集的框位置偏移量)。与采用传统回归和记于关键点定位的two-stage方法不同的是，我们的dense local regression不仅仅在一个固定区域去量化一系列的关键点，而且能够回归位置敏感的真实dense offsets值，这样会使定位更加精确。dense local regression还使用一种binary overlap prediction(二值交叠预测)策略，binary overlap prediction策略可以减少背景区域对于最后位置偏移量回归时的影响。对于准确分类，我们引入了一种discriminative RoI pooling scheme(判别性RoI池化方法)，对一个候选区域来说，它可以从不同的子区域采样，然后计算时赋予自适应权重，得到判别性特征。
在MS COCO test-dev上，我们的D2Det的单模型使用ResNet101作为主干网络，其表现以45.4AP超过了之前所有的two-stage方法。当进行多尺度训练和推理时，D2Det获得了50.1的AP。除了检测之外，我们将D2Det用于语义分割，也获得了40.2的mask AP，并且在速度方面，比state-of-the-art快了2倍。我们也阐述了D2Det在航空遥感图像上的有效性，这一部分在UAV图片上的目标检测实验和在卫星图像上的语义分割实验可以看到。

引言

近些年，目标检测领域取得了长足的进步，这可以归功于深度神经网络的发展。现代目标检测可以大致分为single-stage和two-stage方法。two-stage检测方法的步骤是：首先生成一系列的候选框，然后对这些候选框进行分类和回归。另一方面，single-stage方法是：在图片上进行规则的网格采样，然后对这些采样出来的默认框进行回归和分类。通常来说，在标准benchmarks的准确率上，two-stage方法要优于single-stage方法。
高质量目标检测要求定位精准和分类准确。之前大部分two-stage检测算法在定位部分都采用了相似的设计。大部分two-stage算法选择一种比较经典设计：回归模型，例如有流行的Faster R-CNN。这种回归模型使用了少量的全连接层去预测一系列候选框的偏移量。最近，Grid R-CNN把回归和预测分离到两个分支上，扩展了Faster R-CNN，因为Faster R-CNN使用的是共享网络。相比于Faster R-CNN使用回归来修正定位，Grid R-CNN则引进了一种基于全卷积网络的定位策略，这种策略是在固定大小的区域寻找系列关键点去识别目标边界。
在这篇文章中，我们引入了dense local regression进行精确定位。不同于Faster R-CNN中所采用的使用全连接层去预测偏移量的传统回归策略，我们的dense local regression使用全卷积网络预测多个局部框的偏移量(local box offsets)，也叫作dense box offsets。相比于Grid R-CNN使用基于关键点的定位，我们的dense local regression可以更精确地定位目标，原因在于它能够回归任意偏移量的真实值，因此不会局限于固定大小的区域去量化关键点。此外，虽然Grid R-CNN提高了定位能力，但是我们的方法不仅可以精确定位目标，而且集成了更强的目标分类能力。对于分类，我们引入了一种discriminative RoI pooling，它抽取候选区域的不同子区域的特征，然后计算时赋予自适应权重，得到判别性特征。