arxiv：https://arxiv.org/abs/1912.04260
github：https://github.com/open-mmlab/mmdetection
以往目标检测过程中，对边界框位置信息的预测，常用的基于anchor的方法有：
1.直接对xmin,ymin,xmax,ymax基于anchor的偏移量进行回归预测。
2.对中心点，宽高比例基于anchor的偏移量进行回归预测。
本文方法先使用分类方法将边界位置确定在某个区间范围上，再通过回归精细化偏移量。如下图，边界被分为n个bucket，通过分类确定边界存在于哪个bucket区间，再基于bucket的中心位置回归偏移量，得到准确的位置信息。（提出了一种针对框回归的方法）
只能应用于单个物体的检测，无法区分多个目标：所以针对二步法它可以应用于提取proposal之后。针对一步法还是要基于anchor去匹配到目标，预测目标类别并使用本文方法预测位置坐标。并不能脱离anchor。
整体流程
针对于二步法，
1.在提取proposal之后，一个分支进行分类，另一个分支通过Side-aware Feature Extraction提取边缘信息。
2.之后通过Boundary Localization With Bucketing进行分类并回归位置信息，并得到一个平均得分可以乘给分类的得分，使分类得分更加鲁棒。
3.最后Feature-Aligned Refinement再次精细化位置信息，相当于多级优化，论文中提出相对于cascade计算量更小。
各模块具体实现过程：
Side-aware Feature Extraction
总体来讲就是提取四段特征，分别用于之后四个位置的预测。预测左右边界时将方形特征沿y轴叠加，预测上下边界时将方形特征沿x轴叠加，人为提供了方向感。
Boundary Localization with Bucketing
如图中1*7维的特征，7个维度代表7个bucket，使用分类判断边界在哪个bucket中，得到位置粗略信息，并基于bucket的中间位置回归边界的精细位置。得到xmin，ymin，xmax，ymax。
其中Bucketing-Guided Rescoring，将bucket分类得到的值计算平均乘到classification-score中。论文提到位置信息的粗略估计可以一定程度上代表该目标的可靠性。
Feature-Aligned Refinement
对边界特征多次分类和回归，以达到级联精细化的过程。
针对于一步法，论文也提出了嵌入方法。
针对传统一步法，基于anchor进行目标的匹配，之后对于匹配得到的目标，使用该位置的特征进行之前描述的步骤，进行分类和位置回归。
性能提升
结论
提出边界感知定位（SABL）来取代传统的边界框回归。提出了一种基于边界感知特征的两步bucketing定位方法。引入了一种重新筛选机制，利用边界的置信度来保持高质量的包围框。SABL在表现出较好的性能提升。
网友评论