Sparse R-CNN：稀疏框架，端到端的目標(biāo)檢測(cè)（附源碼）

1 簡(jiǎn)要

目前目標(biāo)檢測(cè)成熟的算法都是基于Dense prior（密集的先驗(yàn)，比如anchors、reference points），但密集的先驗(yàn)存在很多問題：1）會(huì)檢測(cè)出很多相似的結(jié)果，需要后處理（比如NMS）來過濾；2）many-to-one label assignment 問題（作者描述為 many-to-one 正負(fù)樣本分配），猜測(cè)意思是我們?cè)谠O(shè)置pred和gt時(shí)，一般不是一對(duì)一的關(guān)系，可能是有多個(gè)preds，看看哪個(gè)與gt更符合；3）檢測(cè)結(jié)果與先驗(yàn)的關(guān)系非常密切（anchors的數(shù)量、大小，reference points的密級(jí)程度、proposal生成的數(shù)量）。

所以，有研究者提出了稀疏RCNN（Sparse R-CNN），一種圖像中目標(biāo)檢測(cè)的純稀疏方法。現(xiàn)有的目標(biāo)檢測(cè)工作很大程度上依賴于密集的候選目標(biāo)，如所有H×W的圖像特征圖網(wǎng)格上預(yù)定義的k個(gè)anchor boxes。

然而，在新提出的方法中，提供了一套固定的稀疏的學(xué)習(xí)候選目標(biāo)，總長(zhǎng)度N，給目標(biāo)檢測(cè)頭進(jìn)行分類和定位。通過消除H*W*k（多達(dá)數(shù)十萬(wàn)）手工設(shè)計(jì)的候選目標(biāo)到N（例如100)可學(xué)習(xí)的建議，Sparse R-CNN完全避免了所有與候選目標(biāo)的設(shè)計(jì)和多對(duì)一的標(biāo)簽分配相關(guān)的工作。更重要的是，最終的預(yù)測(cè)是直接輸出的，而沒有非極大抑制的后處理。SparseR-CNN證明了準(zhǔn)確性、運(yùn)行時(shí)和訓(xùn)練收斂性能，與具有挑戰(zhàn)性的COCO數(shù)據(jù)集上建立的檢測(cè)器基線相當(dāng)，例如，在標(biāo)準(zhǔn)3×訓(xùn)練計(jì)劃中實(shí)現(xiàn)45.0AP，并使用ResNet-50FPN模型以22fps的速度運(yùn)行。

作者是希望新的框架能夠激發(fā)人們重新思考目標(biāo)檢測(cè)器中密集先驗(yàn)的慣例。

2 背景

不同目標(biāo)檢測(cè)pipelines的比較。(a)Dense，HWk候選目標(biāo)枚舉在所有的圖像網(wǎng)格上，例如。RetinaNet；(b)Dense-to-Sparse，它們從密集的HWk候選目標(biāo)中選擇一小組N個(gè)候選目標(biāo)，然后通過池化操作提取相應(yīng)區(qū)域內(nèi)的圖像特征，如Faster R-CNN；(c)研究者提出的Sparse R-CNN，直接提供了一小組N個(gè)學(xué)習(xí)的候選目標(biāo)，這里N遠(yuǎn)小于HWk。

是CVPR2017的oral，非常厲害。文章提出的DenseNet（Dense Convolutional Network）主要還是和ResNet及Inception網(wǎng)絡(luò)做對(duì)比，思想上有借鑒，但卻是全新的結(jié)構(gòu)，網(wǎng)絡(luò)結(jié)構(gòu)并不復(fù)雜，卻非常有效！眾所周知，最近一兩年卷積神經(jīng)網(wǎng)絡(luò)提高效果的方向，要么深（比如ResNet，解決了網(wǎng)絡(luò)深時(shí)候的梯度消失問題）要么寬（比如GoogleNet的Inception），而作者則是從feature入手，通過對(duì)feature的極致利用達(dá)到更好的效果和更少的參數(shù)。主要優(yōu)化：

• 減輕了vanishing-gradient（梯度消失）

• 加強(qiáng)了feature的傳遞

• 更有效地利用了feature

• 一定程度上較少了參數(shù)數(shù)量

在深度學(xué)習(xí)網(wǎng)絡(luò)中，隨著網(wǎng)絡(luò)深度的加深，梯度消失問題會(huì)愈加明顯，目前很多論文都針對(duì)這個(gè)問題提出了解決方案，比如ResNet，Highway Networks，Stochastic depth，F(xiàn)ractalNets等，盡管這些算法的網(wǎng)絡(luò)結(jié)構(gòu)有差別，但是核心都在于：create short paths from early layers to later layers。那么作者是怎么做呢？延續(xù)這個(gè)思路，那就是在保證網(wǎng)絡(luò)中層與層之間最大程度的信息傳輸?shù)那疤嵯拢苯訉⑺袑舆B接起來！

RetinaNet

提出一個(gè)新的損失函數(shù)，在解決類別不均衡問題上比之前的方法更有效。損失函數(shù)是動(dòng)態(tài)縮放的交叉熵?fù)p失，其中縮放因子隨著對(duì)正確類別的置信度增加而衰減到零(如下圖)。直觀地說，這個(gè)縮放因子可以自動(dòng)降低訓(xùn)練過程中簡(jiǎn)單樣本的貢獻(xiàn)，并快速將模型集中在困難樣本上。實(shí)驗(yàn)發(fā)現(xiàn)，F(xiàn)ocal Loss在one-stage檢測(cè)器上的精確度勝過之前的state-of-art的啟發(fā)式采樣和困難樣本挖掘。最后，focal loss的具體公式形式不是關(guān)鍵的，其它的示例可以達(dá)到類似的結(jié)果。

設(shè)計(jì)了一個(gè)名叫RetinaNet的one-stage對(duì)象檢測(cè)器來說明focalloss的有效性，RetinaNet命名來源于在輸入圖像上的密集采樣。它基于ResNet-101- FPN主干網(wǎng)，以5fps的運(yùn)行速度下，在COCO test-dev上取得了39.1 AP的成績(jī)，超過目前公開的單一模型在one-stage和two-stage檢測(cè)器上取得的最好成績(jī)。

3 新框架

• 數(shù)據(jù)輸入包括an image, a set of proposal boxes and proposal features

• 使用FPN作為Backbone，處理圖像

• 下圖中的Proposal Boxes: N*4是一組參數(shù)，跟backbone沒啥關(guān)系

• 下圖中的proposals features和backbone也沒啥關(guān)系

Learnable porposal box

• 跟backbone沒有什么關(guān)系

• 可以看成是物體潛在位置的統(tǒng)計(jì)概率

• 訓(xùn)練的時(shí)候可以更新參數(shù)

Learnable proposal feature

• 跟backbone沒有什么關(guān)系

• 之前的proposal box是一個(gè)比較簡(jiǎn)潔、卻的方法來描述物體，但缺少了很多信息，比如物體的形狀與姿態(tài)

• proposal feature就是用來表示更多的物體信息。

Dynamic instance interactive head

• 通過proposal boxes以及ROI方法獲取每個(gè)物體的特征，然后與proposal feature結(jié)合得到最終預(yù)測(cè)結(jié)果

• Head的數(shù)量與learnable box的數(shù)量相同，即head/learnable proposal box/learnable proposal feature一一對(duì)應(yīng)

Sparse R-CNN的兩個(gè)顯著特點(diǎn)就是sparse object candidates和sparse feature interaction，既沒有dense的成千上萬(wàn)的candidates，也沒有dense的global feature interaction。Sparse R-CNN可以看作是目標(biāo)檢測(cè)框架從dense到dense-to-sparse到sparse的一個(gè)方向拓展。

4 實(shí)驗(yàn)&可視化

COCO 2017 val set測(cè)試結(jié)果

COCO 2017 test-dev set

可視化迭代架構(gòu)中每個(gè)階段的預(yù)測(cè)框，包括學(xué)習(xí)到的候選框。學(xué)習(xí)到的候選框以白色繪制。顯示了分類分?jǐn)?shù)超過0.3的預(yù)測(cè)框。同一候選類的框以相同顏色繪制，學(xué)習(xí)到的候選框被隨機(jī)分布在圖像上，并一起覆蓋整個(gè)圖像。迭代頭逐漸細(xì)化邊界框位置，刪除重復(fù)的。

上圖顯示了converged model的學(xué)習(xí)到的候選框。這些方框被隨機(jī)分布在圖像上，以覆蓋整個(gè)圖像區(qū)域。這保證了在稀疏候選條件下的召回性能。此外，每個(gè)階段的級(jí)聯(lián)頭逐漸細(xì)化邊界框的位置，并刪除重復(fù)的位置。這就導(dǎo)致了高精度的性能。上圖還顯示了Sparse R-CNN在罕見場(chǎng)景和人群場(chǎng)景中都表現(xiàn)出穩(wěn)健的性能。對(duì)于罕見場(chǎng)景中的目標(biāo)，其重復(fù)的方框?qū)⒃趲讉€(gè)階段內(nèi)被刪除。擁擠的場(chǎng)景需要更多的階段來細(xì)化，但最終每個(gè)目標(biāo)都被精確而唯一地檢測(cè)到。