发布时间：2022-10-01 12:00
论文来源：知网
以下仅仅是学习过程中的部分笔记，用作自己复习。
.....
目标检测不仅需要判别图像中存在的目标的类别，还需要回归目标在图像中的位置。
特征耦合具体表现：分类和回归部分的网络共享参数，特征分布高度耦合。
分类和回归特征耦合对于目标检测算法的影响。具体表现在以下两点：
- （不一致性）分类分数与目标框回归一致性的问题，即分类分数最高的框不一定是最回归最准的框。
- （特征耦合）适用于分类的特征不一定适用于回归定位；同理，适合于定位的特征也不一定是该目标最具类别判别力的特征。
针对上述两个问题，设计了两种新颖的头部网络，对分类和回归特征进行解耦。
- 分类特征与回归预测不一致的问题，设计了一种分类回归一致性预测网络。
在分类与回归时，先对目标框进行一次回归，再提取回归后目标框中的特征进行分类，使得分类采用的特征与回归的预测输出保持一致，有效地缓解了分类分数与回归预测目标框不一致的问题。- 其次，针对 Faster RCNN 中分类回归部分存在的特征耦合问题，本文设计了一种任务解耦的特征提取方法。
本文将分类和回归部分拆分到两个子网络分布进行。
对于回归问题，为了采用坐标卷积的方式引入更丰富的空间知识。
对于分类问题，本文采用了可变形卷积，以期对于不同尺度形状的目标有更好的适应性。