RepPoints

titile RepPoints: Point Set Representation for Object Detection
url https://arxiv.org/pdf/1904.11490.pdf
动机 detector大多依赖矩形框表示各个阶段的物体。易于标注和提取特征(ROI)，但其仅提供粗定位(几何信息，shape/pose)，且提取特征粗糙(网格点不一定位于前景区域)。
内容 RepPoints(anchor-free)：
更细粒度的定位并有助于分类。
能自适应地分布在物体重要的局部语义区域，并能表征物体的几何外延，提供更加细致的几何描述，这些点也用于提取对识别有用的图像特征。
不需要anchor采样得到bounding box。

与现有对比：
多数非矩形框方法是bottom-up，先识别关键点(角点或极值点)，之后依靠聚类进行group，需要gt mask监督。
RepPoint top-down，可以端到端训练，无需额外的监督。
Bounding boxes for the object detection problem：
1、矩形框易于标注，不易产生二义性，同时现有的提取特征方法多基于矩形框。
2、RepPoints虽不规则形式，但可以方便地进行特征提取。结合deformable convolution，多个采样点聚合来自输入的信息。易于产生矩形伪框。
3、之前的deformable convolution难以解释，偏移量自由学习。

Bounding boxes in modern object detectors：
1、anchor替换为中心点。The bounding box proposals and final localization targets are replaced by the RepPoints proposals and final targets。
2、anchor-base难以调参、正负样本不均衡，中心点来表示初始对象，比anchor-base更方便。

Deformation modeling in object recognition：
deformable convolution and deformable RoI pooling均仅用于改进特征提取。自适应采样点来更精细定位。

The RepPoints Representation：
Bounding Box Representation：
缺点：需要refinement值很小是表现比较好，较大时不好；∆x, ∆y and ∆w, ∆h，需要调节相互间损失权重从而达到最优性能。

RepPoints：
矩形框：不能体现shape、pose和局部区域重要的语义信息来更好的定位和提取特征。
RepPoints refinement：
refine不涉及scale信息，因为RepPoints的refine过程offsets均在相同的scale进行。

Converting RepPoints to bounding box：
通过RepPoints产生伪框适应训练时的标注，和测试。
转换函数有以下三种：
1、Min-max function：在所有点中找最小和最大值，获得包括所有点的外接框。
2、Partial min-max function：采样部分点，进行上述操作。
3、Moment-based function：用所有点的均值和方差计算box的中心点和scale，scale需要乘全局共享的可学习乘子λx和λy。
三种方法可以插入到object detection system中，效果差异较小。

Learning RepPoints：
RepPoints的学习是object localization loss和object recognition loss共同驱动，RepPoints自动学习极值点和语义关键点(图4)。
计算localization loss，先将RepPoints转换为伪框。然后计算伪框与gt框间差异(通过top-left和bottom-right points计算L1 smooth)。

RPDet: an Anchor Free Detector：
RPDet：基于deformable convolution的两阶段识别。deformable convolution与RepPoints配合：卷积是在不规则分布的采样点集合上计算的，识别反馈可以指导训练这些点的位置。


Center point based initial object representation：
1、基于中心点初始化，feature每个位置作为中心点。anchor方法搜索空间是4d的(额外引入大量ratio和scale)，存在冗余，anchor free搜索空间是2d，已经足够。
2、target二义性问题：
(1) FPN的多尺度把同一个位置但尺度不同的物体分开。
(2) FPN高分辨率层较大，减少两个物体落在一个Location的概率。
(3) FPN后只有1.1%的目标会遇到二义性，随机分配。

Utilization of RepPoints：
通过回归中心点的偏移量可以获得第一组RepPoint。RepPoint的学习受两个因素影响：
(1) 伪框和gt框之间的top-left、bottom-right损失；
(2) 后续阶段的识别损失。

第二组RepPoints代表最终的定位，由第一组RepPoints refine。仅受points distance loss影响，第二组RepPoint学习更精准的定位。

Relation to deformable RoI pooling：
RepPoint与deformable RoI pooling在检测中作用不同。
RepPoints是object几何表示，得到更准确的语义定位，
而deformable RoI pooling学习object的外观特征，无法表示精确定位的样本点。

Backbone and head architectures：
FPN：3-7
head：两个非共享子网：
1、定位：三个256 d 3×3卷积，两个连续的小型网络计算两组RepPoint的offsets。
2、分类：三个256-d 3×3卷积，256-d 3×3 deformable conv的input offset和定位分支共享。

两个子网中前三个256-d 3×3 conv层每一个后加归一化层。

两个阶段的localization比RetinaNet(使用ResNet-50的210.9 vs. 234.5 GFLOPS)效率更高。附加的localization由于层共享几乎无开销。无anchor设计减少分类层负担，因此计算量略有减少。

Localization/class target assignment：
1、localization：
第一阶段：gt的大小满足对应pyramid level，且gt的中心点落在对应的location时，该location是正例。
pyramid level：

第二阶段：伪框与gt iou大于0.5的points为正例。
2、classification：
只在第一阶段计算：大于0.5的是正例，小于0.4是负例。
实验 Experimental Settings：
ResNet-50，SGD(2 images per GPU)，NMS (σ = 0.5)

Ablation Study：

RepPoints vs. bounding box：

Supervision source for RepPoints learning：
object recognition loss使RepPoint定位在object语义有意义的位置，进行细粒度的定位，并提高识别阶段的特征提取的准确性。

Anchor-free vs. anchor-based：

Converting RepPoints to pseudo box：

RepPoints act complementary to deformable RoI pooling：
bounding box和RepPoints加deformable RoI pooling性能均提升，说明deformable RoI pooling和RepPoints是互补的。
State-of-the-art Comparison：
思考 用9个reppoints点还原一个box，理论上用两个点就可以还原一个box，这里选取9个的原因：9个点计算Box更精准。无监督的过程，9个点经常落在extreme points或对语义表达有帮助的地方
©著作权归作者所有,转载或内容合作请联系作者
  • 人面猴
    序言：七十年代末，一起剥皮案震惊了整个滨河市，随后出现的几起案子，更是在滨河造成了极大的恐慌，老刑警刘岩，带你破解...
    沈念sama阅读 215,634评论 6赞 497
  • 死咒
    序言：滨河连续发生了三起死亡事件，死亡现场离奇诡异，居然都是意外死亡，警方通过查阅死者的电脑和手机，发现死者居然都...
    沈念sama阅读 91,951评论 3赞 391
  • 救了他两次的神仙让他今天三更去死
    文/潘晓璐 我一进店门，熙熙楼的掌柜王于贵愁眉苦脸地迎上来，“玉大人，你说我怎么就摊上这事。” “怎么了？”我有些...
    开封第一讲书人阅读 161,427评论 0赞 351
  • 道士缉凶录：失踪的卖姜人
    文/不坏的土叔 我叫张陵，是天一观的道长。 经常有香客问我，道长，这世上最难降的妖魔是什么？ 我笑而不...
    开封第一讲书人阅读 57,770评论 1赞 290
  • 港岛之恋（遗憾婚礼）
    正文 为了忘掉前任，我火速办了婚礼，结果婚礼上，老公的妹妹穿的比我还像新娘。我一直安慰自己，他们只是感情好，可当我...
    茶点故事阅读 66,835评论 6赞 388
  • 恶毒庶女顶嫁案：这布局不是一般人想出来的
    文/花漫 我一把揭开白布。 她就那样静静地躺着，像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上，一...
    开封第一讲书人阅读 50,799评论 1赞 294
  • 城市分裂传说
    那天，我揣着相机与录音，去河边找鬼。 笑死，一个胖子当着我的面吹牛，可吹牛的内容都是我干的。 我是一名探鬼主播，决...
    沈念sama阅读 39,768评论 3赞 416
  • 双鸳鸯连环套：你想象不到人心有多黑
    文/苍兰香墨 我猛地睁开眼，长吁一口气：“原来是场噩梦啊……” “哼！你这毒妇竟也来了？” 一声冷哼从身侧响起，我...
    开封第一讲书人阅读 38,544评论 0赞 271
  • 万荣杀人案实录
    序言：老挝万荣一对情侣失踪，失踪者是张志新（化名）和其女友刘颖，没想到半个月后，有当地人在树林里发现了一具尸体，经...
    沈念sama阅读 44,979评论 1赞 308
  • 护林员之死
    正文 独居荒郊野岭守林人离奇死亡，尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,271评论 2赞 331
  • 白月光启示录
    正文 我和宋清朗相恋三年，在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,427评论 1赞 345
  • 活死人
    序言：一个原本活蹦乱跳的男人离奇死亡，死状恐怖，灵堂内的尸体忽然破棺而出，到底是诈尸还是另有隐情，我是刑警宁泽，带...
    沈念sama阅读 35,121评论 5赞 340
  • 日本核电站爆炸内幕
    正文 年R本政府宣布，位于F岛的核电站，受9级特大地震影响，放射性物质发生泄漏。R本人自食恶果不足惜，却给世界环境...
    茶点故事阅读 40,756评论 3赞 324
  • 男人毒药：我在死后第九天来索命
    文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹，春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,375评论 0赞 21
  • 一桩弑父案，背后竟有这般阴谋
    文/苍兰香墨 我抬头看了看天上的太阳。三九已至，却和暖如春，着一层夹袄步出监牢的瞬间，已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,579评论 1赞 268
  • 情欲美人皮
    我被黑心中介骗来泰国打工， 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留，地道东北人。 一个月前我还...
    沈念sama阅读 47,410评论 2赞 368
  • 代替公主和亲
    正文 我出身青楼，却偏偏与公主长得像，于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子，可洞房花烛夜当晚...
    茶点故事阅读 44,315评论 2赞 352

推荐阅读更多精彩内容