[论文理解] FoveaBox: Beyond Anchor-based Object Detector
FoveaBox: Beyond Anchor-based Object Detector
Intro
本文是一篇one-stage anchor free的目标检测文章，大体检测思路为，网络分两路，一路预测k个channel的map，每个channel代表一个类别的概率，即输出为w×h×k，另一路预测位置，输出即为w×h×4。想法其实很容易想到，但是本文之所以work我认为很重要的一个trick是gt label的分配，positive area和negative area，回归是预测log偏移，。
我本来看了abstract之后以为是预测whk的label map，然后根据这个map上某个类别的分布去确定框，然后利用这里的信息去修正框的位置。然后看了图发现是两路预测，我直观感觉他可以合并成一路，其中cls map作为中间层输出，或者是回归支路利用上cls map的信息。
Method
Backbone是FPN，FPN的每层后面接一个subnet，subnet分为两路分别去预测cls map和回归位置。
如图所示就是大体结构：
这就是本文的想法，那么有了这个想法，下一个问题就是怎么训练，哪些位置我要分配为参与训练的样本，如何分配？
作者的想法就是，首先gt在特征图上映射了一个区域，这个区域向内缩放得到一个小box认为是正样本，对应一个类别，这个区域向外放大得到一个大box，大box和小box之内认为是困难样本不参与训练，大box之外认为就是负样本，所以正样本的数量往往是比较小的，可能就那么几个点被分为正样本，取决于缩放的系数。
公式为：
l是fpn的层index。公式3就是将gt映射到对应fpn层的feature map，然后求出映射后的box的中心c，公式4就是进行缩放和扩增的操作，以确定正负样本。
上面分类说完了，然后就是回归，
回归转换为根据feature map上一点对应层和对应的xy方向index映射到原图上，与gt做差之后变换，网络学习到的是一种变换。由公式5可见x、y其实是在特征图上的位置，然后除以尺度z取log使网路更容易学习到目标。
网络学习到的就是t。
加0.5可以防止出现log0.
思考
- FoveaBox是两路预测的，如我上面说的，能否一路完成，假设我们先训练cls map，那么当cls map确定了，其实理论上可以帮助loc框定位的学习的。所以思考是否可以将cls map和feature同时作为loc层的输入，两个信息结合来帮助回归框的学习。
- 关于标签的分配作者是采用了一个系数进行缩放和放大划分，能否使用正态分布对label进行分配，靠近中间概率接近1，靠近旁边概率减小，一定阈值以外认为是负样本。
- 可否换一种回归方式，比如年龄识别中用的coarse-to-fine的stage-wise-regression方式来回归框，比如一个框的坐标值121 可以由三个不同粒度的值相加得到，121 = 100 + 20 + 1。
