1. 概述

导读：这篇文章提出了新的一阶段检测算法Detection with Enriched Semantics（EDS），该算法在检测网络中通过semantic Segmentation branch以及global activation module增强了目标检测的语义特征，采用的是attention的思想增强特征中重要的成分。global activation module使用自监督的方法学习通道与目标类别之前的关系。基于VGG16的EDS算法在VOC2007数据集上获得了81.7的mAP，COCO上获得32.8的mAP，帧率为31.5FPS。

这篇文章的算法是基于SSD算法的改进，在SSD算法中大目标使用高阶的特征去预测，小目标使用浅层的特征去预测。文中指出这样会带来两个问题：

1）由于浅层的特征只是一些基本的视觉特征，就使得小目标检测性能并不好；2）由于浅层特征的不理想也会影响高层次特征的检测性能；

对于第一个问题：使用图1中左下角的语义分割分支用于增强检测网络中的低层次特征。图2中的几幅图很好解释了语义分割分支增强特征的过程，原始的低层次特征（B）被语义分割的特征（C）激活（增强）之后得到强化之后的特征（D），这样特征（D）就兼容了语义分割和目标检测的特征，这个过程可以看做是attention的过程。 对于第二个问题：文章提出的网络结构还加入了Global Activation Module，该模块排除了定位的信息，使用自监督的方式学习特征通道与目标类别之间的关系，这样可以增强在较高层级中目标检测特征的语义信息。

文章的贡献：通过使用语义分割分支以及Global Activation Module增强了特征的语义信息，从而提升检测器的检测性能。为毛不在高层次的特征里面也使用Segmentation增强呢？文中给出的解释是低层次的特征里面已经做过了这样的操作，而且高层次的特征本来就是高度融合，分辨率也比较小，分割并不适合；

2. 网络设计

2.1 网络整体结构

2.2 低层次特征的的语义增强

这里的语义分割是使用弱监督的形式，使用每个目标框的标注作为该分类的分割标注，这样就不需要额外的分割数据标注。整个的语义分割分支的结构见下图3所示，其中涉及到的先关过程及字母标志解析见下文。 这里使用$X\in R^{C\ast H\ast W}$代表检测分支的低层次特征图，$G\in \{0,1,2,\dots ,N{\}}^{H\ast W}$代表分割的GT，其中的参数$N$代表检测分类的数目（VOC时为20，COCO为80），语义分割的输出$Y\in R^{(N+1)\ast H\ast W}$，因而可以用数学形式表示为： $$Y=F(g(X))$$ 其中满足：$Y\in [0,1{]}^{(N+1)\ast H\ast W},{\sum }_{c=0}^N{Y}_{c,h,w}=1$。 分割的中间结果$g\in R^{C^{{}^{\prime }}\ast H\ast W}$是分割的中间结果，用于产生最后的分割结果也用来生成激活特征$Z=H(g(x))\in R^{C\ast H\ast W}$。之后激活特征通过与原始特征点乘得到激励之后的输出，该输出被用来替换掉原始的输入$X$。 对于分割任务中GT的设置，分割的标注是来自于检测标注信息，其标注产生的原则见下图4：

2.3 高层次特征的语义增强

高层次的特征由Global Activation Module完成，该模块由三个阶段组成：spatial pooling、channel-wise learning和broadcasted multiplying。对于输入的特征$X\in R^{C\ast H\ast W}$，spatial pooling可以被描述为： $$Z_i=\frac{1}{HW}\sum _{h,w}{X}_{ihw}$$ chanel-wise learning由激活函数产生： $$S=Sigmoid(W_2\cdot ReLU(W_{1}Z))\in R^{C\ast 1\ast 1}$$ 对于broadcasted multiplying就是对应通道上的点乘了。

2.4 网络的损失函数

对于原有的检测网络其定位的损失描述为：$L_{det}(I,B)$，而在文章中有为其增加了分割分支，因而还需要加入分割分支的损失： $$L(I,B,G)=L_{det}(I,B)+\alpha L_{seg}(I,G)$$ 文章给出的结论显示$\alpha =0.1$所取得的效果是最好的。

3. 实验结果

在VOC数据集上的检测性能： COCO数据集上的检测性能：