检测中解耦分类和回归任务（商汤）

Revisiting the Sibling Head in Object Detector读书笔记

      这篇论文是商汤发表的，主要内容是解决在检测任务的过程中，分类和回归这两个任务在最后生成结果的时候耦合度太高，造成有的图片框的很准但是由于得分偏低，在nms的过程中被杀掉。本质是由于分类和回归是两个任务，分类更偏重于这个图片内容是什么，而回归更偏重于这个物体在哪里。作者的方法就是学习proposal的两个偏移，一个是内容上的偏移，一个是位置上的偏移，有点像可变形的roipooling，具体的做法就是把proposal做几个全连接，生成w和h维度的偏移，最后再加到原proposal上，同时加了loss来监督训练（就是作者说的PC）。下图是它的整体算法框架。

Table1说明了在没有PC的情况下虽然点数涨了2.1，但是参数量也涨了17.1M感觉有点鸡肋，这也说明关键还是要靠PC来监督它偏移的学习。

Table5和6说明对大网络大模型和一些比较先进的检测手段都有增益，吃点情况不会很严重。

Table7表明对分割也有一定的效果，但不如检测明显。

Figure6和Table9表明对稿IOU，中等和较大物体收益比较大。