什么是物体检测“头”？

Question

我目前正在阅读 SSD Single Shot Detector，但有一个术语我很难理解。这个词是“头”。一听到这个词，我就想起了网络掌门人，一如当初。

我查看了 google 创建的 object detection API，发现 "heads" folder 具有不同的头部类型，一种用于框编码，另一种用于类预测。

抽象“头”类的文档并不是很有启发性：

不同模型中所有不同种类的预测头都会继承 从这堂课。所有头类之间的共同点是它们都有一个 predict 函数接收 features 作为其第一个参数。

我想我对它们有较高的了解，但我对它们没有具体的定义。有人可以定义“头”并解释如何拥有“框预测头”或“分类头”吗？

Answer 1

在某些领域，head 是表示某事开始或开始的术语。 在这个领域它是不同的。 在计算机视觉的许多任务中，您通常使用“主干”，通常在 ImageNet 上进行预训练。这样，主干被用作特征提取器，它为您提供输入的特征图表示。 现在你有了这样的特征图，你需要执行实际的任务，比如检测、分割等。 你这样做的方式通常是在特征图上应用一个“检测头”，所以它就像一个连接到主干上的头。

在对象检测的情况下，您需要两种输出类型：分类置信度和边界框。它们可以是两个不同的解耦头（例如 RetinaNet），也可以是一个计算两个输出的头（例如 SSD）。在这两种情况下，您都需要指出解释输出的确切方式。例如，边界框回归输出，它们是否与锚相关？或者可能相对于整个图像？分类置信度 - 您是否在输出上使用 softmax 来接收置信度？等等