FSCE: Few-Shot Object Detection via Contrastive Proposal Encoding
以Faster RCNN 作为小样本目标检测的基本框架，采用两阶段的训练方法——第一阶段的训练集是大量标注的基本类别数据，第二阶段采用少量的基础类别和新类别进行微调。在 Faster RCNN 的 RoI feature extractor 后除了回归和分类损失，还添加了一个建议框对比编码（CPE）损失。
参考链接：
https://blog.csdn.net/qq_38701106/article/details/121151422
https://blog.csdn.net/qq_38701106/article/details/121151422?spm=1001.2101.3001.6661.1&utm_medium=distribute.pc_relevant_t0.none-task-blog-2%7Edefault%7ECTRLIST%7Edefault-1.no_search_link&depth_1-utm_source=distribute.pc_relevant_t0.none-task-blog-2%7Edefault%7ECTRLIST%7Edefault-1.no_search_link
contrastive predictive coding ------------ CPC领域
在两阶段检测框架中，RPN将骨干特征映射作为输入并生成区域建议框，然后RoI head对每个区域建议框进行分类，如果预测包含对象，则对边界框进行回归。
Roi cls是进行分类，输出概率值；
该篇文章使用对比分支来增强感兴趣区域（RoI）的头部，对比分支度量目标提议编码之间的相似性。
即，contrastive head 进行特征处理之后：：在MLP头部编码的RoI特征上，测量目标建议框表示之间的相似性分数。 并优化对比目标， 以最大化来自同一类别的目标建议框之间的一致性，并提高来自不同类别建议框的区别性。
将优化具有特定检测考虑的监督对比目标，以减少来自同一类别的目标建议框提取特征的差异，同时使不同类别实例彼此远离。
上图中，N个mini-batch, N个proposal;
p下标：∈ [0, n] ；y下标：∈ [0, m] ；
在loss中，特征z与标签y的下标一致；
在进行CPE LOSS之前，针对提取的特征Pi，已经进行了label的预测---------------bbox与cls的Loss ;
Contrastive Proposal Encoding (CPE) Loss
f(·)controls the consistency of proposals;
g(·) assigns different weight coefficients for object proposals with different level of IoU scores.
u----IOU score ::::
预测x, y, w, h之后，bbox与真实框进行了对比，然后使用f(·)进行框的阈值的筛选，排除不必要信息；去掉低阈值的框之后，进行预测框（同类别）之间的对比；
还是指，对比损失里的真实框，其实都是预测框之间的比较，非预测框与真实标签之间的对比；
N个 ---- {z, u, y}
z----feature
y----label of GT
Nyi----是有几个yi
公式3----假设 i=3时，N个特征中，除却3，进行与其他N-1个特征的相似度计算； 分母不变，相似度越高，分子越大，loss越小；相似度低，loss越大；
红框公式约束label；约束 标签相同？
同类别（根据label判断）的特征向量之间的相似度；
分母: 计算一个batch中所有特征向量之间的相似度之和；
目标是让同类特征向量之间的相似度为1，不同类特征向量之间的相似度为0
公式类似于交叉熵与softmax ;
交叉熵：
对于正样本而言，输出概率越大损失越小。[下图红线，[0, 1] ---- 区间 ]
对于负样本而言，输出概率越小则损失越小。
Softmax:
--------------------分割线------
reid–度量学习中：对比损失 （Contrastive loss ）；其实都是为了匹配相似性；
