论文阅读 Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection-526互联

原始题目：Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection
中文翻译：Generalized Focal Loss：学习用于密集目标检测的 Qualified and Distributed Bounding Boxes
发表时间：2020年6月8日
平台：arxiv
来源：南京理工-李翔
文章链接：https://arxiv.org/abs/2006.04388
开源代码：https://github.com/implus/GFocal

摘要

One-stage detector 基本上将目标检测表述为 dense classification and localization(bounding box regression)。
The classification 通常采用 Focal Loss来优化，the box location 通常采用 Dirac delta distribution 来学习。
one-stage detectors 最近的一个趋势是 引入一个单独的预测分支 来估计定位的质量，其中预测的质量有利于分类，从而提高检测性能。
本文探讨了上述三个基本 elements 的表示:quality estimation, classification and localization。
在现有的实践中发现了两个问题:
- (1) 训练和推理之间的 the quality estimation 和分类的使用不一致(即分开训练，但在测试中组合使用);
- (2) 在复杂场景中存在歧义性和不确定性时，用于定位的 Dirac delta分布不灵活，这是常见的情况。

为了解决这些问题，我们为这些 elements 设计了新的表示形式。

具体来说，我们将 the quality estimation 合并到 the class prediction vector 中，形成 localization quality and classification 的联合表示，并使用一个向量来表示 box locations 的任意分布。
改进后的表示消除了不一致的风险，准确地描述了真实数据中的灵活分布，但包含连续的标签，这超出了 Focal Loss 的 scope。

然后，我们提出广义焦点损失( Generalized Focal Loss (GFL))，将 Focal Loss 损失从离散形式推广到连续形式，以成功优化。

在COCO测试开发中，GFL 使用 ResNet-101 backbone 实现了45.0%的 AP，超过了最先进的 SAPD(43.5%)和ATSS(43.6%)，在相同的 backbone 和训练设置下，具有更高或相当的推理速度。值得注意的是，我们最好的模型可以在单个 2080Ti GPU上以 10 FPS 实现48.2%的 a single-model single-scale AP。

1. 引言

近年来，dense detectors 逐渐引领了目标检测的潮流，而对 bounding boxes and their localization quality estimation 表示的关注也带来了令人鼓舞的进步。

具体来说， bounding box representation 被建模为一个简单的 Dirac delta distribution[10,18,32,26,31]，这在过去的几年里被广泛使用。

正如在FCOS[26]中宣传的那样，当在推理过程中将 the quality estimation 与 classification confidence 相结合(通常 multiplied) 作为 Non-Maximum Suppression (NMS) 排序过程的最终分数[12,11,26,29,35]时，预测 an additional localization quality (例如 IoU score [29] or centerness score [26] )会带来检测精度的一致提高。尽管他们取得了成功，但我们在现有实践中观察到以下问题:

Inconsistent usage of localization quality estimation and classification score between training
and inference:

(1)在最近的 dense detectors 中，the localization quality estimation and classification score 通常是独立训练的，但在推理过程中被综合利用(例如 multiplication)26,29;
(2) the localization quality estimation 的监督目前只分配给正样本[12,11,26,29,35]，这是不可靠的，因为负样本可能有机会获得不受控制的更高质量的预测(图2(a))。

这两个因素会导致训练和测试之间的差距，并可能降低检测性能，例如，在 NMS 期间，negative instances with randomly high-quality scores 可能排在 positive examples with lower quality prediction 之前。

图2: 具有 IoU-branch 的当前 dense detector 的不可靠 IoU 预测。(a):展示了一些具有极高预测质量分数的 background patches(a和B)(e.g., IoU score > 0.9)，基于图1(a)中优化的 IoU-branch模型。(b)中的散点图表示随机抽样的实例及其预测分数，其中蓝点清楚地说明了单独表示的 predicted classification scores 和 predicted IoU scores 之间的弱相关性。红圈中的部分包含许多可能的 negatives with large localization quality predictions，这些因素可能排在 true positives 之前，从而损害性能。相反，我们的联合表示(绿色点)迫使它们相等，从而避免了这种风险。

Inflexible representation of bounding boxes:

广泛使用的 bounding box representation 可以看作是 the target box coordinates 的 Dirac delta distribution [7,23,8,1,18,26,13,31]。然而，它没有考虑到数据集中的模糊性和不确定性(见图3 中图像边界不明确)。尽管最近的一些工作[10,4]将 boxes 作为高斯分布进行建模，但这种方法过于简单，无法捕捉 the locations of bounding boxes 的真实分布。实际上，真实的分布可以是更加任意和灵活的[10]，而不需要像高斯函数一样对称。

为解决上述问题，本文为 the bounding boxes and their localization quality 设计了新的表示。For localization quality representation，本文建议将其与 the classification score 合并为一个单一和统一的表示: a classification vector，其中它的在 the ground-truth category index 的值指的是它的相应的 localization quality(通常是本文中 the predicted box and the corresponding ground-truth box 之间的 IoU score )。通过这种方式，将 classification score and IoU score 统一为 a joint and single variable (记为 “classificationIoU joint representation”)，可以以端到端的方式进行训练，同时在推理过程中直接利用(图1(b))。因此，它消除了训练-测试的不一致性(图1(b))，并使 localization quality and classification 之间具有最强的相关性(图2 (b))。此外，the negatives 将被监督为 0 quality scores，因此整体 quality predictions 变得更加机密和可靠。这对于 dense object detectors 尤其有益，因为它们对整个图像中平均地（regularly）采样的所有候选对象进行排名。For bounding box representation, 本文建议通过直接学习其连续空间上的离散概率分布来表示 box locations 的任意分布(本文称为"一般分布")，而不引入任何其他更强的先验(如高斯[10,4])。因此，我们可以获得更可靠和准确的 bounding box estimations，同时知道它们的各种潜在分布(见图3 和补充材料中的预测分布)。

改进的表示形式对优化提出了挑战。传统上，对于密集检测器，分类分支是用 Focal Loss 18优化的。FL 可以通过重塑 the standard cross entropy loss 来成功地处理 class imbalance problem。然而，对于所提出的 classification-IoU joint representation ，除了仍然存在的不平衡风险外，还面临着 continuous IoU label (0∼1) 作为监督的新问题，因为原始 FL 目前只支持离散的 {1,0} 类别标签。通过将 FL 从 {1,0}离散版本扩展到其连续变体，称为广义 Focal Loss( Generalized Focal Loss (GFL))，成功地解决了这个问题。与 FL 不同的是，GFL 考虑的是一种更一般的情况，即全局最优解能够指向任意连续值，而不是离散值。更具体地说，本文中，GFL 可以特化为 Quality Focal Loss (QFL) and Distribution Focal Loss (DFL)，以分别优化改进的两种表示: QFL 专注于困难样本的稀疏集，同时产生它们对相应类别的 continuous 0∼1 quality estimations ; DFL使网络在任意和灵活的分布下，快速专注于学习 target bounding boxes 的 the continuous locations 周围值的概率。

我们展示了 GFL 的三个优势:

(1) 当 one-stage detectors 具有额外的 quality estimation 时，它弥合了训练和测试之间的差距，导致 classification and localization quality 的一个更简单、联合和有效的表示;
(2) 很好地建模了 bounding boxes 的灵活潜在分布，提供了更多的信息和准确的 box locations;
(3) 在不引入额外开销的情况下，单阶段检测器的性能得到持续提升。在COCO test-dev中，GFL在ResNet-101主干上取得了45.0%的AP，超过了最先进的SAPD(43.5%)和ATSS(43.6%)。最好的模型可以实现48.2%的单模型单尺度AP，同时在单个2080Ti GPU上以10 FPS的速度运行。

2. 相关工作

Representation of localization quality. 现有实践如 Fitness NMS [27]， IoU- net [12]， MS R-CNN [11]， FCOS[26]和IoU-aware[29] 利用单独的分支以 IoU or centerness score 的形式执行 localization quality estimation 。如第1节所述，这种单独的表述会导致训练和测试之间的不一致，以及不可靠的 quality predictions 。PISA[2]和 IoU-balance[28]不增加分支，而是根据他们 localization qualities 在 classification loss 中赋予不同的权重，增强 the classification score and localization accuracy 之间的相关性。然而，由于权重策略没有改变分类损失目标的最优性，因此其收益是隐式的且有限的。

Representation of bounding boxes. Dirac delta distribution [7,23,8,1,18,26,13,31]支配着过去几年 bounding boxes 的表示。最近，采用高斯假设[10,4]通过引入预测方差来学习不确定性。然而，现有的表示方法要么过于僵化，要么过于简化，无法反映真实数据中复杂的潜在分布。本文进一步放松了假设，直接学习更任意、更灵活的 bounding boxes 一般分布，同时信息量更大、更准确。

3. 方法

在本节中，我们首先回顾了原始的 Focal Loss18，用于学习 one-stage detectors 的 dense classification scores。介绍了改进的 representations of localization quality estimation and bounding boxes 的细节，分别通过提出的 Quality Focal Loss (QFL) and Distribution Focal Loss (DFL) 成功优化。最后，将 QFL 和 DFL 的表述总结为一个统一的视角，称为广义Focal Loss (GFL),，作为 FL 的灵活扩展，以促进未来的进一步推广和一般性理解。

Focal Loss (FL).

最初的 FL[18]是为了解决单阶段目标检测场景，在训练过程中经常存在 foreground and background classes 之间的极端不平衡。FL的典型形式如下(为简单起见，我们忽略了原始论文[18]中的\(α_t\)):

其中，y∈{1,0} 表示 the ground-truth class ，p∈[0,1]表示标签为 y = 1 的类别的估计概率。γ 是可调的 focusing 参数。具体来说，FL 由标准交叉熵部分 \(−log(p_t)\) 和动态缩放因子部分 \((1−p_t)^γ\) 组成，其中 缩放因子 \((1−p_t)^γ\) 在训练过程中自动降低容易样本的贡献权重，并快速将模型集中在困难样本上。

Distribution Focal Loss (DFL)

沿用[26,31]，我们采用 location 到 a bounding box 的四边的相对偏移量作为回归目标(见图4中的回归分支)

图4：在 dense detectors 的 the head 与传统方法进行比较。GFL 包括QFL和DFL。QFL 有效地学习了a joint representation of classification score and localization quality estimation。DFL 将 the locations of bounding boxes 建模为 General 分布，同时迫使网络快速专注于学习 the probabilities of values close to the target coordinates 。

模型的常规操作将回归标签y作为狄拉克δ分布δ(x−y)，其中它满足 xxxxx，通常通过 fully connected layers 实现。更正式地说，恢复 y 的积分形式如下:

根据第1节的分析，我们建议不引入任何其他先验, 直接学习 the underlying General distribution P(x)，而不是 Dirac delta[23, 8, 1, 26, 31]或 Gaussian[4,10]假设。给定标签 y 的最小值为 \(y_0\)，最大值为 \(y_n\) 的范围 (\(y_0≤y≤y_n, n∈N^+\))，我们可以由模型得到估计值yˆ(yˆ也满足 y0≤yˆ≤yn):

为了与卷积神经网络一致，我们将连续域上的积分转换为离散表示，通过将范围[y0, yn]离散为集合 {y0, y1，…， yi, yi+1，…， yn−1,yn}，间隔为偶数∆(为简单起见，我们使用∆= 1)。因此，给定离散分布性质 xxxx，回归估计值yˆ可表示为:

因此，P(x)可以通过由 n + 1 个单元组成的softmax S(·)层轻松实现，为简单起见，P(yi) 记为Si。请注意，yˆ可以使用传统的损失目标(如SmoothL1 [7]， IoU损失[27]或GIoU损失[24])以端到端的方式进行训练。然而，P(x) 有无限种取值组合，使得最终的积分结果为 y，如图5(b)所示，这可能会降低学习效率。直观上与(1)和(2)相比，分布(3)是紧凑的，并且在边界框估计上更有信心和更精确，这激励我们通过明确鼓励接近目标y的值的高概率来优化P(x)的形状。此外，通常情况下，最合适的底层位置如果存在，将不会远离粗标签。引入分布焦点损失(DFL)，通过显式扩大yi和yi+1的概率(距离y最近的2,yi≤y≤yi+1)，迫使网络快速关注标签y附近的值。由于边界框的学习仅针对正样本，不存在类不平衡问题的风险，因此我们简单地应用QFL中的完全交叉熵部分来定义DFL:

参考：

大白话 Generalized Focal Loss https://zhuanlan.zhihu.com/p/147691786

一文了解目标检测边界框概率分布 https://zhuanlan.zhihu.com/p/151398233

深入理解一下Generalized Focal Loss v1 & v2 https://zhuanlan.zhihu.com/p/357415257

https://www.zhihu.com/people/ai-ai-zi-qiao