[BorderDet 边界特征检测器 ECCV2020] Border Feature for Dense Object Detection [笔记]

原作者：Han Qiu1等       笔记整理：ganyongdong 2021.02.24

论文：https://www.ecva.net/papers/eccv_2020/papers_ECCV/papers/123460528.pdf
代码：https://github.com/Megvii-BaseDetection/BorderDet

1.摘要

• 当前的目标检测器采用点特征来预测bbox，但这样实则缺少准确定位所需要的边界信息；
• 文章提出一种简单有效的Border-Align（边界对齐）算子，能够从边界的极值点提取边界特征，以增强点特征；
• 基于Border-Align提出了一种新的检测结构-BorderDet，利用边界信息进行更准确的分类和定位；
• 使用ResNet-50作主干，较单阶段目标检测器FCOS提升了2.8点AP。

2.动机

• SSD、RetinaNet、FCOS等检测器采用点特征预测bbox
  • 但是点特征感受野有限，不足以准确表明完整的目标实例
  • 同时，点特征也缺少边界信息来准确定位bbox；
• 许多研究也着力于提取比点特征更多的表明特征，列如GA-RPN, RepPoints, Cascade RPN, RoI pooling, RpIAlign等
  • 提取更多表明特征的过程中存在不必要的计算和引入更多背景影响
  • 这些方法都潜在或间接地提取了边界特征，实则可以更直接明确提取特定边界特征
• 文章提出Border-Align（边界对齐）算子和Border Alignment Modules (BAM)
  • 用于微调分类和bbox回归结果
  • 比其他特征增强方法花费更少的计算，得到更高的精度
  • 该模块容易集成到各anchor based和anchor free方法中

3.论证边界特征对目标检测的重大性

• 文章通过一组实验验证了边界特征对目标检测的重大性

  

• 实验是FCOS作为baseline，是第一次预测用到的点特征，在FCOS倒数第二个特征图中重新提取以下几种特征，, , , ，这些表明第二次预测用到的特征，也就是增强特征，统计实验结果如table1所示。

  • (a)实验用单点特征预测，AP精度不高
  • (b)实验用区域特征增强，在采样点周围用RoIAlign进行区域密集采样提取特征，精度较(a)提升1个点的AP，但是复杂度高，为
  • (c)实验用边界特征增强，这里的边界特征是密集的边界特征，精度较(b)下降了0.3点AP，但是复杂度降低了许多
  • (d)实验用边界的中心点特征增强，精度达到了(b)中的区域特征，而且复杂度进一步降低

• 实验说明区域特征比点特征能更准确预测结果，但是区域特征许多是多余的，直接提取边界特征更简单有效，由此，作者提出了采用边界极限点特征

4.BorderAlign

• BorderAlign操作用于提取边界极限点特征

  

• BorderAlign输入由两部分组成

  • 边界敏感特征图I，具有(4 + 1)个C通道，其中4C通道对应于四个边界(左、上、右、下)特征，1C通道对应于原始单点特征
  • 粗bbox回归结果

• 边界敏感特征图I中对应粗bbox回归框的位置，每个边界被均匀地细分为N个点，然后经过max-pooling汇集每条边的边界极限特征。

• 输出特征图F表达式如下：

  

  • 是粗回归bbox的左上角和右下角坐标，和是粗回归bbox的宽和高
  • 提取上的N个点特征值可能存在小数位置上的特征值，为了避免测量误差，采用双线性插值

4.Border Alignment Module (BAM)

• 如4中fig3所示绿色虚线框中部分，BAM的输入是HxwxC的特征图，经过1×1卷积得到Hxwx5C的边界敏感特征图，该边界敏感特征图结合粗bbox回归结果一起输入到BorderAlign中进行边界对齐操作，然后输出依旧是Hxwx5C的特征图，但是这个时候边界处的特征已经最大池化成了极限点特征，然后再经过1×1卷积回HxWxC特征图。保证了输入输出一样，也使得该模块容易集成到各个网络结构中。
  • 回归分支C是256，分类分支C是128。
• 对于两步检测器，同样使用BAM模块增强RPN的原点特征

5.BorderDet

• 以anchor free检测器FCOS作为baseline。

• FPN得到的特征图作为输入，BorderDet先预测粗略分类得分和粗略bbox回归框，然后将粗回归框和特征图输入到BAM模块，得到的准确回归框结果输出，另一个BAM模块将粗回归框输入得到精细分类得分，该得分乘以粗略分类得分为最后总得分。

• 损失函数：

  

• 和是粗略分类和粗略回归的损失函数，分别采用focal loss和IoU loss

• 是边界分类的focal loss，这部分取所有正样本的边界分类损失平均值，表明预测的边界分类得分，是真实标注。

• 所有真实标签非背景(0″ mathimg=”1″>)的都计算边界回归损失，表明预测框相对真实框的偏移量，使用L1损失。

6.实验

• BorderDet边界分类和边界回归消融实验

  

• BorderDet附加到单步和两步检测器实验结果

  

• BorderDet与不同检测器比较结果

  

7.启发

• BorderDet是一个容易集成的模块
• 作者开头提出的点特征和区域特征对检测器的性能影响实验很好，说明区域特征中很大一部分是多余的，突出了边界特征的重大性