为了高效地学习准确的预测框及其分布,论文对Focal loss进行拓展,提出了能够优化连续值目标的Generalized Focal loss,包含Quality Focal loss和Distribution Focal loss两种具体形式。QFL用于学习更好的分类分数和定位质量的联合表示,DFL通过对预测框位置进行general分布建模来提供更多的信息以及准确的预测。从实验结果来看,GFL能够所有one-stage检测算法的性能undefined
来源:晓飞的算法工程笔记 公众号
论文: Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection
目前,dense detector(one-stage)是目标检测中的主流方向,论文主要讨论其中的两个做法:
经过分析,论文发现上述的两个做法存在以下问题:
为了解决上面的两个问题,论文分别提出了解决的策略:
实际上,使用上述提到的两种策略会面临优化的问题。在常规的one-stage检测算法中,分类分支都使用Focal loss进行优化,而Focal loss主要针对离散的分类标签。在论文将定位质量与分类分数结合后,其输出变为类别相关的连续的IoU分数,不能直接使用Focal loss。所以论文对Focal loss进行拓展,提出了GFL(Generalized Focal Los),能够处理连续值目标的全局优化问题。GFL包含QFL(Quality Focal Los)和DFL( Distribution Focal Los)两种具体形式,QFL用于优化难样本同时预测对应类别的连续值分数,而DFL则通过对预测框位置进行general分布的建模来提供更多的信息以及准确的位置预测。
总体而言,GFL有以下优点:
FL主要用于解决one-stage目标检测算法中的正负样本不平衡问题:
包含标准的交叉熵部分$-log(p_t)$以及缩放因子部分$(1-p_t)^{\gamma}$,缩放因子会自动将容易样本降权,让训练集中于难样本。
由于FL仅支持离散标签,为了将其思想应用到分类与定位质量结合的连续标签,对其进行了扩展。首先将交叉熵部分$-log(p_t)$扩展为完整形式$-((1-y)log(1-\sigma) + y\ log(\sigma))$,其次将缩放因子$(1-p_t)^{\gamma}$泛化为预测值$\sigma$与连续标签$y$的绝对差值$|y-\sigma|^{\beta}$,将其组合得到QFL:
$\sigma=y$为QFL的全局最小解。
缩放因子的超参数$\beta$用于控制降权的速率,表现如上图所示,假定目标连续标签$y=0.5$,距离标签越远产生的权重越大,反之则趋向于0,跟FL类似。
论文跟其它one-stage检测算法一样,将当前位置到目标边界的距离作为回归目标。常规的方法将回归目标$y$建模为Dirac delta分布,Dirac delta分布满足$\int^{+\infty}_{-\infty}\delta(x-y)dx=1$,可通过积分的形式求得标签$y$:
如前面说到的,这种方法没有体现预测框的真实分布,不能提供更多的信息,所以论文打算将其表示为general的分布$P(x)$。给定标签$y$的取值范围$y_0, y_n$,可像Dirac delta分布那样从建模的genreal分布得到预测值$\hat{y}$:
为了与神经网络兼容,将连续区域$y_0, y_n$的积分变为离散区域${y0, y_1, \cdots, y_i, y{i+1}, \cdots, y_{n-1}, y_n }$的积分,离散区域的间隔$\Delta=1$,预测值$\hat{y}$可表示为:
$P(x)$可通过softmax操作$\mathcal{S}(\cdot)$获得,标记为$\mathcal{S}_i$,预测值$\hat{y}$可使用常规的方法进行后续的end-to-end学习,比如Smooth L1、IoU loss和GIoU Loss。
但实际上,同一个积分结果$y$可由多种不同分布所得,会降低网络学习的效率。考虑到更多的分布应该集中于回归目标$y$的附近,论文提出DFL来强制网络提高最接近$y$的$yi$和$y{i+1}$的概率,由于回归预测不涉及正负样本不平衡的问题,所以DFL仅需要交叉熵部分:
DFL的全局最优解为$\mathcal{S}i=\frac{y{i+1}-y}{y{i+1}-y_i}$,$\mathcal{S}{i+1}=\frac{y - yi}{y{i+1}-y_i}$,使得$\hat{y}$无限接近于标签$y$。
QFL和DFL可统一地表示为GFL,假定值$yl$和$y_r$的预测概率分别为$p{yl}$和$p{yr}$,最终的预测结果为$\hat{y}=y_l p{yl}+y_r p{y_r}$,GT标签为$y$,满足$y_l \le y \le y_r$,将$|y-\hat{y}|^{\beta}$作为缩放因子,GFL的公式为:
GFL的全局最优在$p^{}_{y_l}=\frac{y_r-y}{y_r-y_l}$,$p^{}_{y_r}=\frac{y-y_l}{y_r-y_l}$。
FL、QFL和DFL均可认为是GFL的特殊情况。使用GFL后,与原来的方法相比有以下不同:
在使用GFL后,网络损失$\mathcal{L}$变为:
$\mathcal{L}_{\mathcal{B}}$为GIoU损失
性能对比。
对比实验。
基于ATSS与SOTA算法进行对比。
为了高效地学习准确的预测框及其分布,论文对Focal loss进行拓展,提出了能够优化连续值目标的Generalized Focal loss,包含Quality Focal loss和Distribution Focal loss两种具体形式。QFL用于学习更好的分类分数和定位质量的联合表示,DFL通过对预测框位置进行general分布建模来提供更多的信息以及准确的预测。从实验结果来看,GFL能够所有one-stage检测算法的性能。
如果本文对你有帮助,麻烦点个赞或在看呗~undefined更多内容请关注 微信公众号【晓飞的算法工程笔记】
原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。
如有侵权,请联系 cloudcommunity@tencent.com 删除。
原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。
如有侵权,请联系 cloudcommunity@tencent.com 删除。