用大白话讲Single-shot Alignment Network(S2A-NET)

---

前言

本文是对论文：Align Deep Features for Oriented Object Detection 的学习总结，通过个人理解，尽可能以通俗易懂的方式表述，以方便大家的理解

一、S2A-NET可以用来做什么

在早期的目标检测算法中，识别一个物体的感兴区域总是横平竖直的(如SSD、RCNN等)，但在很多情况下，横平竖直的锚框并不能将物体完美的选中，如下图蓝色的框被没有将飞机完全框起来。这时可以将蓝色的锚框框放大，就可以将飞机完全框起来，但是放大蓝色锚框，将会增加更多背景，对后续的处理造成负面影响。而S2A-NET可以生成旋转的锚框(如下图绿色锚框)，此时就可以将飞机完全选中并且尽可能少的增加背景画面，从而使接下来的物体识别变得更容易。

二、S2A-NET是什么？

S2A-NET，全称：Single-shot Alignment Network，翻译为：单发对齐网络。S2A-NET由四部分组成，1.骨干网络 Backbone、2.特征金字塔网络 Feature Pyramid Network、3.特征对齐模块 Feature Alignment Module、4.方向检测模块 Oriented Dection Module。下面三、四、五、六节，将对这四部分进行详细介绍。

S2A-NET的网络结构图如下:

三、骨干网络 Backbone

S2A-NET的骨干网络为RetinaNet，RetinaNet是继SSD和YOLO V2公布后诞生的一款目标检测模型。RetinaNet主要的创新点使采用了一种新的损失函数——Focal Loss损失函数

Focal Loss的引入主要是为了解决目标检测中正负样本数量极不平衡问题，因为在进行物体检测时，会生成大量锚框
比如一张图片生成了10000个锚框，但只有几十个锚框匹配到了被测物体(正样本)，其他锚框只匹配到了背景(负样本)，这么多的负样本不仅对训练网络起不到什么作用，反而会淹没掉少量但有助于训练的样本。
为了弱化负样本对训练的影响，损失函数采用Focal Loss

RetinaNet由ResNet+FPN+2xFCN构成，这里将RetinaNet的结构框图放出来，具体细节就不一一描述了

注意：常规的RetinaNet输出x、y、w、h，即锚框的中心坐标、长和宽
这里需要进行改进，将输出的信息需改为x、y、w、h、θ，即锚框中心坐标、长、宽和锚框与x轴的夹角

四、特征金字塔网络 Feature Pyramid Network

在图像处理中，低层的特征语义信息比较少，但是目标位置准确；高层的特征语义信息比较丰富，但是目标位置比较粗略。FPN将高层次和低层次的语义信息做独立预测，并进行了融合。

五、特征对齐模块 Feature Alignment Module(FAM)

AlignConv 对齐卷积（在常规卷积上增加了一个旋转矩阵）是FAM的核心结构
与标准卷积相比，Alignment convolution (AlignConv)为每个位置p增加了一个额外的偏移字段O

如下图(d)，即AlignConv 对齐卷积的实现效果图

Feature Alignment Module结构图如下：

六、方向检测模块 Oriented Detection Module (ODM)

ODM由两部分组成：

1. 主动旋转滤波器 Active Rotating Filters
   ARF是一个k × k × N滤波器，它在卷积过程中主动旋转N - 1次，产生具有N个方向通道(N默认为8)的通道
2. 最大池化层max-pooling
   将效果最好的方向通道作为输出特性来完成。
   通过这两部分，来增加整体框架，对旋转信息的敏感程度

---

总结

以上就是本人对S2A-NET的拙见，如有错误，恳请大家指出

本文图片和公式均来源于论文：Align Deep Features for Oriented Object Detection