论文提出了简单高效的PSS分支，仅需在原网络的基础上添加两个卷积层就能去掉NMS后处理，还能提升模型的准确率，而stop-grad的训练方法也挺有意思的，值得一看

来源：晓飞的算法工程笔记 公众号

论文: Object Detection Made Simpler by Eliminating Heuristic NMS

• 论文地址：https://arxiv.org/abs/2101.11782
• 论文代码：https://github.com/txdet/FCOSPss

Introduction

---

  当前主流的目标检测算法训练时大都一个GT对应多个正样本，使得推理时也会多个输出对应一个目标，不得不对结果进行NMS过滤。而论文的目标是设计一个简单的高性能全卷积网络，在不使用NMS情况下，能够进行完全的端到端训练。论文提出的方法十分简单，核心在于添加一个正样本选择分支(positive sample selector, PSS)。
  论文的主要贡献如下：

• 检测流程在去掉NMS后变得更加简单，从FCOS到FCOS${}_{PSS}$的修改能植入到其他的FCN解决方案中。
• 实验证明可以通过引入简单的PSS分支来代替NMS，植入FCOS仅需增加少量的计算量。
• PSS分支十分灵活，本质上相当于可学习的NMS，由于加入PSS分支没有影响到原有结构，可直接去掉PSS分支直接使用NMS。
• 在COCO上，得到与FCOS、ATSS以及最近的NMS-free方法相当或更好的结果。
• 提出的PSS分支可应用于其他anchor-based检测器中，在每个位置一个anchor box的设定下，仅通过PSS分支的动态训练样本选择也能达到不错的结果。
• 同样的想法也可用于其他目标识别任务中，如去掉实例分割中的NMS操作。

Our Method

---

  FCOS${}_{PSS}$的整体结构如图1所示，仅在FCOS的基础上添加了包含两个卷积层的SPP分支。

Overall Training Objective

  完整的训练损失函数为：

  ${\mathcal{L}}_{fcos}$为原版FCOS的损失项，包含分类损失、回归损失和center-ness损失。此外，还有PSS分支损失和ranking损失。在训练时${\lambda }_2$设置为0.25，因为ranking损失对准确率只有些许提升。

• PSS损失

  PSS分支是NMS-free的关键，如图1所示，该分支的特征图输出为${\mathbb{R}}^{H\times W\times 1}$。定义$\sigma (pss)$为特征图上的一个点，仅当该点为正样本时才设为1，所以可以把PSS分支当作二分类加入训练。但为了借用FCOS多分类的优势，论文将其与分类特征、center-ness特征进行融合：

  用上面的分数计算focal loss，与原本的FCOS分类的区别是，这里每个GT有且仅有一个正样本。

• Ranking损失

  论文通过实验发现，在训练时加入ranking损失能提升性能，ranking损失的定义为：

  $\gamma$代表正负样本间的距离，默认设置为0.5。$n_{+}$和$n_{-}$为正负样本数量，${\hat{P}}_{i_{+}}(c_{i_{+}})$为正样本$i_{+}$对应类别$c_{i_{+}}$的分类分数，${\hat{P}}_{i_{-}}(c_{i_{-}})$为负样本$i_{-}$对应类别$c_{i_{-}}$的分类分数。在实验中，取top 100负样本分数进行计算。

One-to-many Label Assignment

  一个GT选择多个anchor作为正样本进行训练是当前目标检测广泛采用的一种做法，这样的做法能够极大地简化标注要求，同时也能够兼容数据增强。即使标注位置有些许偏差，也不会改变选择的正样本。另外，多个正样本能够提供更丰富的特征，帮助训练更强大的分类器，比如尺寸不变性、平移不变性。因此，对于原生的FCOS分支的训练依然采用一对多的方式。

One-to-one Label Assignment

  一对一的训练方式需要每次为GT选择最佳正样本，选择的时候需要考虑分类匹配程度和定位匹配程度，这里，先定义一个匹配分数$Q_{i,j}$：

  $i$为预测框编号，$j$为GT编号，超参数$\alpha$用来调整分类和定位间的比值。${\Omega }_j$表示GT $j$的候选正样本，采用FCOS的规则，在GT的中心区域的点对应的anchor均为候选正样本。最后，对所有的GT及其正样本采用二分图匹配，通过匈牙利算法选择最大化${\sum }_j{Q}_{i,j}$的匹配方案。

Conflict in the Two Classification Loss Terms

  在论文提出的方案中，损失项${\mathcal{L}}_{fcos}$采用一对多的匹配方案，而损失项${\mathcal{L}}_{pss}$采用一对一的匹配方案，这意味着有部分anchor可能会被同时划分为正样本和负样本，导致模型难以收敛。为此，论文提出了stop-grad的概念，即阻止PSS分支的梯度回传到FCOS中。

Stop Gradient

  stop-gradient操作在训练的时候将其中一部分网络设置为常数，定义 θ = { θ f c o s , θ p s s } \theta=\{\theta_{fcos},\theta_{pss}\} θ={θfcos​,θpss​}为网络需要优化的参数，训练的目标是求解：

  将上述求解分成两个步骤：

  即在一轮迭代中，交替优化参数${\theta }_{fcos}$和${\theta }_{pss}$。比如在求解公式5时，${\theta }_{pss}$的梯度置为零，按作者的说法，这块直接用pytorch的detach()进行分离。另外一种方法是直接分开训练，当求解公式5时，设置${\theta }_{pss}=0$直到收敛，等同于原本的FCOS训练。而在训练PSS分支时，冻结FCOS参数直到收敛。论文通过实验发现分开训练可以极大地缩短训练时间，但性能稍差些。

Experiment

---

  从论文的实验来看，PSS分支+stop grad的效果还是不错的。论文还有很大对比实验，有兴趣的可以去看看。

Conclusion

---

  论文提出了简单高效的PSS分支，仅需在原网络的基础上添加包含两个卷积层就能去掉NMS后处理，还能提升模型的准确率，而stop-grad的训练方法也挺有意思的，值得一看。

 

 
 
 

如果本文对你有帮助，麻烦点个赞或在看呗～
更多内容请关注 微信公众号【晓飞的算法工程笔记】