RetinaNet 分类头和回归头的网络结构分析

RetinaNet 是由 Facebook AI Research（FAIR）在 2017 年提出的一种高效的一阶段（one-stage）目标检测算法。相比于两阶段（two-stage）方法，RetinaNet 通过引入 Focal Loss 解决了类别不平衡问题，从而在保持高检测速度的同时，实现了与两阶段方法相媲美的检测精度。

本文将深入解析 RetinaNet 的分类头和回归头的网络结构，并详细说明每一层的输入输出尺寸。

RetinaNet 总体架构概述

RetinaNet 主要由以下几个部分组成：

1. 主干网络（Backbone）：通常使用 ResNet（如 ResNet-50 或 ResNet-101）作为特征提取器。
2. 特征金字塔网络（Feature Pyramid Network, FPN）：在主干网络的不同层级生成多尺度的特征图。
3. 分类头（Classification Head）：用于对每个锚框（anchor）进行类别预测。
4. 回归头（Regression Head）：用于对每个锚框进行边界框回归（位置调整）。

下图展示了 RetinaNet 的整体架构、分类头和回归头的结构（图来自于B站up：霹雳吧啦Wz）：

特征金字塔网络（FPN）

在深入讨论分类头和回归头之前，首先简要介绍 FPN 的输出。FPN 从主干网络的不同层级提取特征，并生成多个尺度的特征图，通常标记为 P3 到 P7，对应不同的下采样率（stride）：

• P3: 下采样率 8，尺寸为 ( $\frac{H}{8}\times \frac{W}{8}\times 256$ )
• P4: 下采样率 16，尺寸为 ( $\frac{H}{16}\times \frac{W}{16}\times 256$ )
• P5: 下采样率 32，尺寸为 ($\frac{H}{32}\times \frac{W}{32}\times 256$ )
• P6: 下采样率 64，尺寸为 ( $\frac{H}{64}\times \frac{W}{64}\times 256$)
• P7: 下采样率 128，尺寸为 ( $\frac{H}{128}\times \frac{W}{128}\times 256$)

其中，( H ) 和 ( W ) 分别为输入图像的高度和宽度。

分类头和回归头的网络结构

RetinaNet 的分类头和回归头结构基本相同，均由多个卷积层堆叠而成，但在最后的输出层有所不同。以下将分别详细介绍这两个头部的结构及其每一层的输入输出尺寸。

分类头（Classification Head）

分类头的任务是对每个锚框进行类别预测。其结构如下：

1. 共享卷积层（Shared Convolutional Layers）:

   • 层 1: 3x3 卷积，输入通道数 256，输出通道数 256，步幅 1，填充 1
   • 层 2: 3x3 卷积，输入通道数 256，输出通道数 256，步幅 1，填充 1
   • 层 3: 3x3 卷积，输入通道数 256，输出通道数 256，步幅 1，填充 1
   • 层 4: 3x3 卷积，输入通道数 256，输出通道数 256，步幅 1，填充 1

   每一层后均接 ReLU 激活函数。

2. 分类卷积层（Classification Convolutional Layer）:

   • 3x3 卷积，输入通道数 256，输出通道数 ( $K\times C$ )，步幅 1，填充 1

   其中：

   • ( K ) 为每个位置的锚框数量（通常为 9）。
   • ( C ) 为类别数量（不包括背景类）。

3. 输出层:

   • 最终输出通过 sigmoid 激活函数，生成每个锚框对应的类别概率。

输入输出尺寸示例（以 P3 为例，假设输入尺寸为 ( $\frac{H}{8}\times \frac{W}{8}\times 256$ )：

回归头（Regression Head）

回归头的任务是对每个锚框进行边界框回归，预测边界框的偏移量。其结构与分类头基本相同，唯一区别在于最后的输出层。

1. 共享卷积层（Shared Convolutional Layers）:

   • 层 1: 3x3 卷积，输入通道数 256，输出通道数 256，步幅 1，填充 1
   • 层 2: 3x3 卷积，输入通道数 256，输出通道数 256，步幅 1，填充 1
   • 层 3: 3x3 卷积，输入通道数 256，输出通道数 256，步幅 1，填充 1
   • 层 4: 3x3 卷积，输入通道数 256，输出通道数 256，步幅 1，填充 1

   每一层后均接 ReLU 激活函数。

2. 回归卷积层（Regression Convolutional Layer）:

   • 3x3 卷积，输入通道数 256，输出通道数 ( $K\times 4$ )，步幅 1，填充 1

   其中：

   • ( K ) 为每个位置的锚框数量（通常为 9）。
   • 4 对应边界框的四个偏移量（中心点偏移量 ( $t_x,t_y$ )，宽度和高度的对数尺度偏移量 ( $t_w,t_h$ )。

3. 输出层:

   • 最终输出通常不经过激活函数，直接输出回归偏移量。

输入输出尺寸示例（以 P3 为例，假设输入尺寸为 ( $\frac{H}{8}\times \frac{W}{8}\times 256$ )：

注：在此示例中，假设类别数量 ( C = 80 )，则分类卷积层输出通道数为 ( $9\times 80=720$)。

具体示例：以 P3 特征层为例

假设输入图像尺寸为 ( $512\times 512$ )，则 P3 的尺寸为 ( $64\times 64\times 256$ )（即 ( $\frac{512}{8}\times \frac{512}{8}\times 256$ )）。

分类头的层级尺寸

回归头的层级尺寸

注：在此示例中，假设类别数量 ( C = 80 )，则分类卷积层输出通道数为 ( $9\times 80=720$)。

多尺度特征图的处理

RetinaNet 使用 FPN 生成多个尺度的特征图（P3-P7），每个特征图都会通过独立的分类头和回归头进行处理。因此，对于每个特征图，分类头和回归头的网络结构和层级尺寸类似，只是输入特征图的尺寸不同。

以 P4（下采样率 16，尺寸 ( $\frac{H}{16}\times \frac{W}{16}\times 256$ )）为例，其分类头和回归头的每一层输入输出尺寸将是 ( $\frac{H}{16}\times \frac{W}{16}\times 256$ )，最终输出为 ( $\frac{H}{16}\times \frac{W}{16}\times (9C)$ )（分类）和 ( $\frac{H}{16}\times \frac{W}{16}\times 36$ )（回归）。

总结

RetinaNet 的分类头和回归头采用了相同的共享卷积层结构，具体如下：

• 共享卷积层：4 个 3x3 卷积层，每层 256 个通道，步幅 1，填充 1，后接 ReLU 激活。
• 输出卷积层：
  • 分类头：1 个 3x3 卷积层，输出通道数为 ( $K\times C$ )（通常为 9×类别数），后接 sigmoid 激活函数。
  • 回归头：1 个 3x3 卷积层，输出通道数为 ( $K\times 4$ )（9×4），不经过激活函数。

每个特征图（P3-P7）都会独立地通过分类头和回归头进行处理，从而实现多尺度的目标检测。

疑问

我在思考检测头的结构时，曾经问过一个现在看来可笑的问题：我觉得检测头的输出应该是$1\times 1\times 9C$，这样9C个通道，就是9C个数值，代表了每一种框被分类为每一类的概率，可为什么检测头的输出是 ( $\frac{H}{8}\times \frac{W}{8}\times 256$ )呢？

Answer: 如果分类头的输出是$1\times 1\times 9C$，这意味着整个特征图只生成一个锚框的分类概率，这与 RetinaNet 的设计理念不符。RetinaNet 需要在图像的每一个空间位置上预测多个锚框，以便覆盖不同的位置和尺度的目标。所以实际上，该层特征图的尺寸是$\frac{H}{8}\times \frac{W}{8}$ ，一共有$\frac{H}{8}\times \frac{W}{8}$这么多个像素，每个像素都要预测9个anchor属于某一类别的概率。（我的疑问完全是因为自己格局小了）