Contents
开始之前学习一个单词热热身：
canonical 英[kəˈnɒnɪkl]
adj. 被收入真经篇目的; 经典的;
Some of the paintings were canonical, included in art-history books.
有些画是经典的,收录在艺术史书中。
0 写在前面
OneNet: End-to-End One-Stage Object Detection by Classification Cost.
OneNet是一个不需要NMS后处理的网络。与其说是这是一个创新的目标检测网络，不如说其是改变了目标检测过程中对于正样本的判定问题。（论文中表述为" label assignment "，我就用"判定"这个词代替吧）。这篇论文最大创新点是改变了以往One-Stage方法中，对于某个anchor是否为正样本的判定方法（Anchor-Based）或是特征图上某个网格点是否是正样本（Anchor-Free）的判定方法；使得在训练过程中，每个真实框都仅有一个正样本所对应；在 Inference 阶段，预测出的每一个物体即可认为是图片中的不同物体，不会出现以往One-Stage方法预测结果出现一个物体对应很多Score很高的预测框进而需要NMS来抑制冗余的预测框。
回顾一下One-Stage方法判定 候选框/候选网格点 是否为正样本的方法：
- 对于 Anchor-Based 方法，若anchor与真实框的IoU大于某个阈值，则被认为是正样本；
- 对于Anchor-Free方法，CornerNet和CenterNet仅仅是将真实框中心点对应的特征图上的某个网格为正样本，而FCOS是在真实框对应到特征图上的区域内所有网格点为正样本，可以看到其被判定是否为正样本仅仅与其真实框的位置有关。
在这里回顾下YOLO中是如何定义正负样本的：
- 正样本的选择：
首先计算目标中心点落在哪个grid上，然后计算这个grid的9个anchor 和目标真实位置的IoU值（直接计算，不考虑二者的中心位置），取IoU值最大的anchor和目标匹配。于是，找到的 该grid中的 该anchor 负责预测这个目标，其余的网格、anchor都不负责； - 负样本的选择：
计算所有的anchor和所有的真实框之间的IoU，如果某 anchor 和图像中所有物体最大的IoU都小于阈值（一般0.5），那么就认为该先验框不含目标，记作负样本； - 不参与计算部分
这部分虽然不负责预测对象，但IoU较大，可以认为包含了目标的一部分，不可简单当作负样本，所以这部分不参与误差计算。
综上，如下图所示：
所以对于每个定义的正样本，在训练时计算正样本的边界框回归损失；在预测时，根据网络模型预测出的分类Score来执行NMS用以筛取冗余的预测框。（正样本有很多，分类Score最高的正样本附近肯定有一些正样本的分类Score也不会低，NMS正是要去掉这些不是最高但还很高的冗余检测框）
1 Introduction
论文中提到 " The detection performance is largely sensitive to sizes, aspect ratios, and the number of anchor boxes. "
是这样的，所以在YOLO/RetinaNet中，针对于不同数据集的大小分布，可以适当的选取（保留或去掉）不同尺度的预测层，以及修改anchor的个数来 “设计” 符合特定任务的网络模型。
作者提到："We discover that the lack of classification cost between sample and ground-truth in label assignment is the main obstacle for a one-stage detector to remove NMS and reach end-to-end. "
正如开头提到的，解决了多个正样本对应一个真实物体的情况，即实现仅仅判定出一个正样本对应一个真实物体，而其他样本均为负样本的方案，即可去掉NMS后处理。同时避免判定正样本仅仅与真实框的位置有关，作者也把真实框的类别标签作为判定正样本的部分依据。
" However, if trained with only location cost, the classification branch is forced to output the approximate solution; that is, one object has multiple predictions. "
2 Label Assignment
之前提到，label assignment 是正负样本的判定问题。作者是怎么解决以往的 仅根据真实框的位置来判定正负样本 的问题，进而加入真实框的类别标签作为判定正样本的部分依据的呢？
首先OneNet仍是借鉴FCOS的检测方法，即对预测特征图上的每个网格来判定是正样本还是负样本。如上图，在 cls 分支预测出每个网格点是某类物体的Score，在reg分支预测每个网格点对于物体边界框的上下左右距离。作者通过计算以下公式并选取结果最小值对应的那个网格点，即为正样本：
其中λcls、λL1、λgiou是超参数（论文中实验取λcls=2、λL1=5、λgiou=2），Ccls是预测类别与真实类别间的Focal Loss，CL1和Cgiou是预测框和真实框间的归一化中心坐标和宽高。
也就是说，这里是通过计算出来的cost值的大小来判定正负样本的，最小的cost值对应的网格点即为正样本，其余均为负样本。对于图片中的每个真实框，计算出对应的最小cost值来选取每个真实框所对应的唯一正样本。
3 实施细节
输入图片(H×W×3)，backbone产生feature map(H/4×W/4×C)，head预测分类(H/4×W/4×K，K为类别数)和边框回归(H/4×W/4×4)，最后的输出直接取top-k(e.g., 100)得分框。
在训练过程中，OneNet网络的损失函数同样采用上述公式，即Focal Loss、L1 Loss和GIOU Loss。
在Inference阶段，直接选取top-k(e.g., 100)得分框（个人认为k不也是一个超参数吗???即表示一张图片中预测出k个物体）
4 最后的最后
其实我对该网络是有一些怀疑的，与CenterNet相同，这两个网络没有采用NMS后处理，但是都在 Inference 阶段通过选取阈值的方式来获得最终的结果，比如OneNet直接选取top-k(e.g., 100)得分框最为输出结果，而这个k表示一张图片中有个物体；
同样的，对于CenterNet，在预测阶段，通过将特征图中的每个类的峰值点单独地提取出来。具体怎么提取呢？就是检测当前热点的值是该点的八领域中最大的点，然后一共取100个这样的点，采用的方式是一个3x3的MaxPool，类似于anchor-based检测中NMS的效果。
根据模型预测出来的 heatmap中的值，也就是当前中心点存在物体的概率值，代码中设置的阈值为0.3，也就是从上面选出的100个结果中筛选出大于该阈值的中心点作为最终的预测结果。
下图分别对应取top=100的检测结果、阈值筛选后的最终图。
那么CenterNet中的阈值 0.3 以及 OneNet中的超参数 top-k 中的 k又是如何选取的呢，应该也是要根据经验来选择的吧。