【论文小结】CFC 分类回归不一致问题

https://blog.csdn.net/dujuancao11/article/details/123488248

以下仅仅摘出解决分类回归问题的相关内容。

3. 提出的方法

1. 提出的PAM生成对分类和回归敏感的解耦特征。
2. 通过R-ARM进行锚定细化，以基于关键回归特征获得高质量的候选旋转。
3. 通过DAL策略，动态选择捕捉关键特征的锚定作为训练的正样本。

这样可以减少分类和回归之间的不一致性，从而有效地提高检测性能。

 A. Polarization Attention Module（PAM）

PAM橙色块 

 为了避免不同任务之间的特征干扰，有效地提取特定任务的关键特征，我们提出了极化注意模块（PAM）。PAM的整体结构如图4所示。

• 我们为不同的任务构建不同的特征金字塔，称为双FPN。
• 采用设计良好的极化注意机制来增强特征的表示能力。通过极化函数，不同的分支生成各自任务所需的鉴别特征。
  

 

给定输入特征F∈，我们构建任务敏感特性如下： 

 

•  和分别表示张量积和元素乘法。σ表示sigmoid函数。
• 通过卷积运算从输入特征中提取通道注意图和空间注意图。
• （1）通道注意的目的是提取特征地图的通道关系。通过全局平均池和完全连接层提取每个通道的权重，如下所示：
  
  其中，从输入特性F全局平均池获得，W0和W1表示完全连接层的权重。σ表示sigmoid函数。 
• （2）空间注意被用来建模输入图像像素之间的依赖关系。计算如下：
  
  其中表示3×3滤波器的卷积，分别表示不同核大小的扩张卷积。cat表示特征的串联。这里采用扩张卷积来扩展卷积核的感受野。同时，采用不同纵横比的卷积核来更好地检测船舶和桥梁等细长物体。
• （3）将两个注意力图相乘，得到特定任务的注意力反应图M。在此基础上，我们进一步通过特定于任务的极化函数ψ（·）构建了强大的任务敏感关键特征表示。
• 对于分类，期望特征更多地关注特征图上的高响应部分，而忽略可能用于定位或可能带来干扰噪声的不太重要的线索部分。我们使用以下激励功能来实现该功能：
  
• 回归分支，关键特征往往分散在对象的边缘。我们期望特征图关注尽可能多的视觉线索来进行对象定位，例如对象轮廓和上下文信息。为此，我们使用了以下不同于分类任务的方法，对一小块物体边缘的强烈反应不利于定位整个物体。在等式（5）中，抑制函数抑制回归特征中具有高响应的区域，这迫使模型寻找潜在的视觉线索以实现精确定位。极化函数ψ（·）的曲线如图4所示。
  
•  最后，将极化注意加权特征与原始特征金字塔相结合，更好地提取关键特征。如式（1）所述，注意力加权特征、输入特征SF和注意力响应映射通过元素求和进行合并，以获得用于精确目标检测的强大特征表示。
  

• 该PAM通过优化关键特征的表示，极大地提高了检测性能。可解释的可视化结果如图5所示。
  
  可以看出，PAM可以有效地提取不同任务所需的关键特性。
  例如，提取的回归临界特征均匀分布在目标上，这有助于识别目标边界并准确定位目标。
  分类关键特征更多地集中在对象最可识别的部分，以避免来自对象其他部分的干扰，从而使分类结果更准确。