【论文解读】[目标检测]retinanet

作为单阶段网络，retinanet兼具速度和精度（精度是没问题，速度我持疑问），是非常耐用的一个检测器，现在很多单阶段检测器也是以retinanet为baseline，进行各种改进，足见retinanet的重要，我想从以下几个方面出发将retinanet解读下，尽己所能。

• retinanet出发点，目的，为什么
• retinanet解决方案，做法，干什么
• retinanet的效果，缺点，改什么
• retinanet中的疑点（我个人的）

【出发点】

retinanet的出发点，作为一款单阶段检测器，开个玩笑，它其实是想为yolo,ssd等前辈找回牌面，毕竟在速度上是达到实时了，但是精度上依然被faster rcnn等两阶段检测器吊打，着实没面子，那既然痛点在精度上，本文的重点也在于此，作者认为单阶段的精度差在于单阶段检测器中样本的失衡，负样本比例远远大于正样本，占据样本中多数，影响网络的优化（如何解释会妨碍网络优化，我还解释不清），而两阶段就没有这样的问题么，我觉得不是没有，但问题小很多，因为第一阶段会剔除掉大量负样本，所以在第二阶段训练时候，正负样本比例失衡并不严重，尽管第一阶段也会面临这样的问题。也许可以将focal loss（retinanet采用的采样方案或者说损失形式）用于RPN，按道理来讲会提升的

既然负样本太多，那我们也不是没办法，之前已有相关的处理方法，比如OHEM，专门挑比较难分类的负样本进行分类，其余的负样本不参与训练，效果也是不错的，大方向思路也没问题，就是降低易分类样本的影响，OHEM的思路是让它们的影响为0，直接弃用，而本文的思路是降低它们的权重，提高难分类样本的权重，如果再加上另一种方案，即所有样本原封不动，参与训练，那么这三种方案，OHEM属于激进派，retinanet属于温和派，原封不动属于保守派，最后的实验结果表明 温和派>激进派>保守派

【解决方案】

retinanet的解决方案十分的简洁，简洁到令人发指，就是在原本的分类损失上进行改动，加上权重因子，减小易分类样本的权重，加大难分类样本的权重（相对而言，不是绝对的变大了），至于回归损失，保持不变

首先看原来的分类损失，以二分类为例（多分类基本是一样的）

这就是标准的交叉熵损失，稍微变换一下

有下面公式

                                 

对于这个公式，P_t越大，代表越容易分类，也就是越接近target，

于是我们应该在P_t变大时，权重变小， 变小时，权重变大， 怎么做，加一个权重因子即可，我先来一个乞丐版的，在原公式前面乘以1-P_t。就成了

当然了，论文中稍微高大上一些，

γ（gamma，不是Y)，是一个指数因子，论文里设为2

上面的公式就是focal loss，但还不是最终版，在类别不平衡中有一种做法，是给损失加上常数项正负样本平衡因子，α，这个平衡因子是用来对正负样本的损失进行平衡，并不能区分易分类样本和难分类样本哦，最终版focal loss也加入了这一项，于是变成（下标t与P的下标一个意思，针对两种类别），相比公式4，效果轻微提升

    

论文中给出了，Focal loss和CE的对比图，CE的loss在最上面，可以看到，越易分类的样本，Focal loss损失越小

上面就是核心，下面我来讲一下实现细节，网络结构，anchor的设置，FPN的设置，等等

网络结构

作者采用的网络与faster rcnn或者FPN一样，也是resnet50,101,然后加上FPN的结构，如下图所示

对于金字塔的每一层，都有两个分支，分类和回归，A是每个预测位置的anchor数量，以该位置为中心，K是要预测的目标类别数，4是与类别无关的坐标回归，也可以设置成与类别相关的，那就是4K个通道输出了，论文中作者说这两种设置效果相同，但类别无关的显然参数更少。

另外需要注意的一点是不同金字塔级别的分类分支参数共享，就是使用同一个卷积组合，回归分支，作者没说是否参数共享

inference:前向推理阶段，即测试阶段，作者对金字塔每层特征图都使用0.05的置信度阈值进行筛选，然后取置信度前1000的候选框（不足1000更好） ，接下来收集所有层的候选框，进行NMS,阈值0.5

train:训练时，与GT的IOU大于0.5为正样本，小于0.4为负样本，否则忽略

anchor：anchor的设置与FPN论文略有不同，FPN中每一层一种尺度，三种比例，而retinanet中，每一层三种尺度，三种比例，在FPN中，5层金字塔，anchor尺度范围是32²到512²，而本文为每一层的尺度设置三种，2⁰， 2^1/3, 2^2/3.比例依旧是1：1， 1：2，2：1，于是有9种anchor。

以输入为800X800,五层金字塔尺度分别为100X100,50X50,25X25,12X12,6X6,算一下anchor数量，119745， 10几万anchor覆盖在整张图像中，密密麻麻，让你知道什么是密集检测，哈哈，插句话，10几万anchor中绝大多数都是负样本，无用的计算太多，这也是现在anchor free的一个出发点。

网络初始化：这一点本来没什么可说的，大家都一样，但是retinanet做了一点设置

【效果】

论文中给了好多对比试验，也给出了好多map值，简单贴一下，都是coco test-dev数据集的

37.8 resnet101-FPN 800

39.1 resnet101-FPN 800，scale jitter, longer train time

40.8 resNext101-FPN 800

还有好多对比试验结果， 就不一一贴出来了

【缺点】

如果要说retinanet的缺点，其实不好讲，因为人家设计的主要是一种损失函数，而且很有效，非要挑毛病，那就是密集检测本身的毛病，大量无用anchor，造成计算和存储上的不必要

【疑点】

scale jitter是具体怎么实现的，训练时候使用多种尺度？

如果类别输出采用softmax激活函数，而不是sigmoid，那么可以不设置背景类吗？

retinanet的训练太慢了，跟大量anchor肯定相关，能提提速吗？

好，就是这些。