[CVPR2022] A Dual Weighting Label Assignment Scheme for Object Detection

A Dual Weighting Label Assignment Scheme for Object Detection

要点：

1. 标签分配 LA (Label assignment) 在目标检测中起重要作用，旨在为每个训练样本分配 a positive (pos) and a negative (neg) loss weight；
2. 现有的 LA 方法主要关注于 pos weighting function 的设计，而负权重通常直接由正权重导出；
3. 本文提出一种新的加权范式—— 双重加权（DW) Dual weighting，分别指定正负权重；
4. 为了给权重函数提供更准确的 reg 分数，提出框细化操作——设计学习预测模块，基于粗回归图生成四个边界位置，聚合预测结果以获得当前锚点的更新边界框，适当的引入计算开销以为 DW 提供更准确的 reg score；
5. Hard Label Assignment
6. Soft Label Assignment: Focal Loss 在交叉熵损失上添加调制因子，减轻对于分类良好的样本的损失；Varifocal Loss；
7. 传统：计算 w_pos，根据 w_neg = 1 - w_pos 直接计算 w_neg，FreeAnchor、Autoassign 和本文对该过程解耦，此外，本文精心设计损失权重并且与网络完全分离。

图表：

标签分配方法对比：

传统方法可能由于仅关注正权重，导致无法有效区分某些性质相似的点，从而给不同的锚点分配一样的正负权重，而DW 充分考虑正负权重及其相关性，有效区分不同的锚点。

The pipeline of DW framework:

 1. 选择GT中心附近的锚点（中心优先），为每个 GT 对象构建 a bag of candidate positives；
 2. candidate bag 以外的锚点被视为负样本，由于其统计数据在早期训练过程中非常嘈杂，所以不会参与加权函数的设计；
 3. w_pos, w_neg, w_reg
 4. 主干 backbone、FPN、检测头 detection head

方框优化操作图示：

 1. 中心点 (i, j)
 2. 粗略黄色边框
 3. 四个绿色的边点
 4. 四个橙色的边界点
 5. 聚合四个橙色边界点的结果获得更加精细的绿色边界框

代码：