FSAF深入地分析FPN层在训练时的选择问题，以超简单的anchor-free分支形式嵌入原网络，几乎对速度没有影响，可更准确的选择最优的FPN层，带来不错的精度提升

来源：晓飞的算法工程笔记公众号

论文: Feature Selective Anchor-Free Module for Single-Shot Object Detection

论文地址：https://arxiv.org/abs/1903.00621
论文代码：https://github.com/zccstig/mmdetection/tree/fsaf

Introduction

目标检测的首要问题就是尺寸变化，许多算法使用FPN以及anchor box来解决此问题。在正样本判断上面，一般先根据目标的尺寸决定预测用的FPN层，越大的目标则使用更高的FPN层，然后根据目标与anchor box的IoU进一步判断，但这样的设计会带来两个限制：拍脑袋式的特征选择以及基于IoU的anchor采样。

如图2所示，60x60选择中间的anchor，而50x50以及40x40的则选择最小的anchor，anchor的选择都是人们根据经验制定的规则，这在某些场景下可能不是最优的选择。

为了解决上述的问题，论文提出了简单且高效的特征选择方法FSAF(feature selective anchor-free)，能够在每轮训练中选择最优的层进行优化。如图3所示，FSAF为FPN每层添加anchor-free分支，包含分类与回归，在训练时，根据anchor-free分支的预测结果选择最合适的FPN层用于训练，最终的网络输出可同时综合FSAF的anchor-free分支结果以及原网络的预测结果。

Network Architecture

FSAF的网络结果非常简单，如图4所示。在原有的网络结构上，FSAF为FPN每层引入两个额外的卷积层，分别用于预测anchor-free的分类以及回归结果。这样，在共用特征的情况下，anchor-free和anchor-based的方法可进行联合预测。

Ground-truth and Loss

对于目标$b=[x,y,w,h]$，在训练时可映射到任意的FPN层$P_l$，映射区域为$b^l_p=[x^l_p, y^l_p, w^l_p, h^l_p]$。一般而言，$b^l_p=b/2^l$。定义有效边界$b^l_e=[x^l_e, y^l_e, w^l_e, h^l_e]$和忽略边界$b^l_i=[x^l_i, y^l_i, w^l_i, h^l_i]$，可用于定义特征图中的正样本区域、忽略区域以及负样本区域。有效边界和忽略边界均与映射结果成等比关系，比例分别为$\epsilon_e=0.2$和$\epsilon_i=0.5$，最终的分类损失为所有正负样本的损失值之和除以正样本点数。

Classification Output

分类结果包含$K$维，目标主要设定对应维度，样本定义分以下3种情况：

有效边界内的区域为正样本点。
忽略边界到有效边界的区域不参与训练。
忽略边界映射到相邻的特征金字塔层中，映射的边界内的区域不参与训练
其余区域为负样本点。

分类的训练采用focal loss，$\alpha=0.25$，$\gamma=2.0$，完整的分类损失取所有正负区域的损失值之和除以有效区域点数。

Box Regression Output

回归结果输出为分类无关的4个偏移值维度，仅回归有效区域内的点。对于有效区域位置$(i,j)$，将映射目标表示为$d^l_{i,j}=[d^l_{t_{i,j}}, d^l_{l_{i,j}}, d^l_{b_{i,j}}, d^l_{r_{i,j}}]$，分别为当前位置到$b^l_p$的边界的距离，对应的该位置上的4维向量为$d^l_{i,j}/S$，$S=4.0$为归一化常量。回归的训练采用IoU损失，完整的anchor-free分支的损失取所有有效区域的损失值的均值。