目标检测之retinanet

abstract

当前detection主要有one stage与two stage两种方法
- one stage是直接对生成的bbox进行细分类，在这些bbox中，正负样本数量差距很大，即类别严重不均衡。但是它的速度很快。
- two stage是首先使用RPN等方法对生成的proposal进行一个二分类（属于前景还是背景），在这个过程中，大量属于背景的bbox会从所有的region proposals列表中删除。相当于这一步会稍微减小正负样本类别不均衡的现象；之后再使用Roi net等做后续的分类与bbox regression任务等。但是two stage方法的速度很慢。
作者希望能够结合one stage与two stage的优点。one stage精度较差的主要原因是bbox的正负样本极度不均衡，之前有确定前景-背景proposal比例、OHEM等方法用于解决类别不均衡的问题。但是这些都是two stage的方法。在one stage方法中，会有更多的candidate bbox(~100K)，因此使用之前的这些方法可能并不是很有效，因为one stage中的类别不均衡现象更加严重，绝大部分都是background。
基于上述问题，论文中提出一种新的loss，即focal loss，与focal loss相似的变体都可以达到很好的检测效果。
为了进行这种想法的验证，作者将FPN作为backbone，提出一种one stage检测框架，称之为RetinaNet。目前精度秒杀one stage方法，速度秒杀two stage方法，对比图如下。

retinanet-效果.png

$$CE(p,y) = CE(p_t) = -log(p_t)$$

$$CE(p_t) = -\alpha_t log(p_t)$$

$\alpha_t$与类别t的样本数量成反比，即数量越少的类别，其loss权重越大。这也是本文中提出的focal loss的baseline。

$$FL(p_t) = -(1 - p_t)^{\gamma} log(p_t)$$

$\gamma$是超参数，论文中$\gamma = 2$效果最好。$\gamma = 0$时，与传统的cross entropy loss function相同。

$$FL(p_t) = -\alpha (1 - p_t)^{\gamma} log(p_t)$$

上面的公式相对于不加参数$\alpha$的loss，最终训练出的模型精度略微提升了一些。

在二分类模型中，默认的二分类的输出概率是相等的。在类别不均衡的情况中，那些数量很多的类别的loss可能会占据最终loss的绝大部分，因此引入prior的概念，用$\pi$去表示这个prior，使得那些珍稀样本的prior很小，这会在类别不均衡的情况下，提升训练的稳定性。

Feature Pyramid Network Backbone：基于FPN的backbone，给定单一尺度的图像信息，FPN可以提取多尺度的特征信息。论文中是基于resnet构建了FPN。
anchor box在P3与P7的feature pyramid上分别表示$32^2$与$512^2$的大小，每个pyramid level，设置$aspect ratio={1:2,1:1,2:1}$，$scale\;ratio={0,2^{1/3},2^{2/3}}$。相当于每个level上会产生9个anchor box。
对于每个anchor box，预测其类别(K-vector)，并进行bbox regression(4-vector)。
RetinaNet主要流程如下。

retinanet-流程.png