Mutual Supervision for Dense Object Detection（ICCV2021）阅读笔记

同上一篇一样，这边摸鱼笔记也是关于分类和回归分支的权重设计。

论文来源于2021ICCV，论文链接：https://openaccess.thecvf.com/content/ICCV2021/papers/Gao_Mutual_Supervision_for_Dense_Object_Detection_ICCV_2021_paper.pdf

笔记1–Table

Article	Aim、Background、Conclusion	Methods、Contributions
Mutual Supervision for Dense Object Detection（ICCV2021）	Aim：在检测器的分类和回归头中提出一种新的监督方法—互相监督（Mutual Supervision（MuSu），用于解决训练阶段分类和回归头相互分配的一致性。	Methods：1、 自适应构建候选包，联合分类和回归头选择属于一个物体的候选框。 2、 分别从分类和回归角度对候选框进行排序。 3、 将候选框排序的顺序转换为权重，且作用在每个位置的损失上，用来监督分类和回归头。
	Background:1、 对于来自backbone的相同大小输入的特征图，分类头和回归头期待不同的函数：分类头将这些特征“翻译”成小偏移量的分类得分，而回归头将它们“翻译”成从候选框到回归框的局部偏移量，这导致了这两个任务内在的不一致。 2、 最大的分类得分和最精确的回归框存在不一致性，这个不一致性在会削弱检测器的性能，特别是在NMS阶段，按照最大分类得分选择box，而没有考虑其位置的精度。
	Conclusion:1、 打破了分类头和回归头相同训练样本，且这两支基于软标签分配的监督方式的传统。 2、 MuSu通过将不同样本以互相方式分配给这两个分支，而无需精细的集合设计，向完全自适应的训练样本迈出了一大步。 3、 讨论了相互监督方式下多个anchor设置，这对MuSu是有用的。 4、 在MS COCO上证明了有效性。	Contirbutions:提出了cls和reg权重设计方法

笔记2–主要方法

1、 自适应构建候选包，联合分类和回归头来选择属于一个物体的候选框。

目的：滤除大量不合适的anchor（背景框，其他物体的框）

方法：定义一个联合加权似然P=分类得分×IoU ^ 4。计算放入候选包的阈值t=b×max ( P )，b为小于1的超参数(0.1)。比如一个anchor过来，计算P，若P大于t，则放入候选包，反之亦然。

2、 分别从分类和回归的角度对候选anchor进行排序。

发现：直接用分类分数计算回归头候选框排名、用IoU ^ 4计算分类头的排名这个方法不好。

方法：MuSu利用正则化的标准值计算候选框的排名。两个正则化标准值：V_cls = IoU ^ 4 × 分类得分 ^ α ，V_reg=分类得分×(IoU ^ 4) ^ α，α在0-1范围内。之后对这些值降序排列获得anchor的排序。

3、 将候选框排序的顺序转换为权重，且作用在每个位置的损失上，用来监督分类和回归头。

方法：采用负指数方法将排序转化为每个anchor的损失权重（利用一个温度系数来表示分配给一个物体的样本权重，分类温度系数用来控制一个物体正样本的数量—候选包长度的开平方，回归温度系数为分类温度系数的一半）。