发表于

2019-03-13

  |   更新于 2019-09-08

| 分类于 计算机视觉

| 评论数： 1

| 阅读次数：

文章: Scale-Aware Trident Networks for Object Detection
作者: Yanghao Li Yuntao Chen1,3 Naiyan Wang2 Zhaoxiang Zhang
机构: University of Chinese Academy of Sciences 2 TuSimple

注明: 本篇文章转载自图森 Naiyan Wang 博士的知乎专栏(https://zhuanlan.zhihu.com/p/54334986), 这里仅仅作为交流学习使用

简单回顾一下现有的两大类方法。第一大类，也是从非Deep时代，乃至CV初期就被就被广泛使用的方法叫做image pyramid。在image pyramid中，作者直接对图像进行不同尺度的缩放，然后将这些图像直接输入到detector中去进行检测。虽然这样的方法十分简单，但其效果仍然是最佳，也后续启发了SNIP这一系列的工作。单论性能而言，multi-scale training/testing仍然是一个不可缺少的组件。然而其缺点也是很明显的，测试时间大幅度提高，对于实际使用并不友好。另外一大类方法，也是Deep方法所独有的，也就是feature pyramid。最具代表性的工作便是经典的FPN了。这一类方法的思想是直接在feature层面上来近似image pyramid。非Deep时代在检测中便有经典的channel feature这样的方法，这个想法在CNN中其实更加直接，因为本身CNN的feature便是分层次的。从开始的MS-CNN直接在不同downsample层上检测大小不同的物体，再到后续TDM和FPN加入了新的top down分支补充底层的语义信息不足，都是延续类似的想法。然而实际上，这样的近似虽然有效，但是仍然性能和image pyramid有较大差距。

作者考虑对于一个detector本身而言，backbone有哪些因素会影响性能。总结下来，无外乎三点：network depth（structure），downsample rate和receptive field。对于前两者而言，其影响一般来说是比较明确的，即网络越深（或叫表示能力更强）结果会越好，下采样次数过多对于小物体有负面影响。但是没有工作，单独分离出receptive field，保持其他变量不变，来验证它对detector性能的影响。所以，作者做了一个验证性实验，分别使用ResNet50和ResNet101作为backbone，改变最后一个stage中每个3*3 conv的dilation rate。通过这样的方法，作者便可以固定同样的网络结构，同样的参数量以及同样的downsample rate，只改变网络的receptive field。作者很惊奇地发现，不同尺度物体的检测性能和dilation rate正相关！也就是说，更大的receptive field对于大物体性能会更好，更小的receptive field对于小物体更加友好。于是下面的问题就变成了，作者有没有办法把不同receptive field的优点结合在一起呢？

所以作者最开始的一个想法便是直接加入几支并行，但是dilation rate不同的分支，在文中作者把每一个这样的结构叫做trident block。这样一个简单的想法已经可以带来相当可观的性能提升。作者进一步考虑作者希望这三支的区别应该仅仅在于receptive field，它们要检测的物体类别，要对特征做的变换应该都是一致的。所有自然而然地想到作者对于并行的这几支可以share weight。 一方面是减少了参数量以及潜在的overfitting风险，另一方面充分利用了每个样本，同样一套参数在不同dilation rate下训练了不同scale的样本。最后一个设计则是借鉴SNIP，为了避免receptive field和scale不匹配的情况，作者对于每一个branch只训练一定范围内样本，避免极端scale的物体对于性能的影响。

总结一下，作者的TridentNet在原始的backbone上做了三点变化：

1. 构造了不同receptive field的parallel multi-branch，
2. 对于trident block中每一个branch的weight是share的。
3. 对于每个branch，训练和测试都只负责一定尺度范围内的样本，也就是所谓的scale-aware。
   以上三点在任何一个深度学习框架中都是非常容易实现的。

在测试阶段，作者可以只保留一个branch来近似完整TridentNet的结果，后面作者做了充分的对比实验来寻找了这样single branch approximation的最佳setting，一般而言，这样的近似只会降低0.5到1点map，但是和baseline比起来不会引入任何额外的计算和参数。

论文中做了非常详尽的ablation analyses，包括有几个branch性能最好；trident block应该加在网络的哪个stage；trident block加多少个性能会饱和。这些就不展开在这里介绍了，有兴趣的读者可以参照原文。这里主要介绍两个比较重要的ablation。

第一个当然是作者提出的这三点，分别对性能有怎样的影响。作者分别使用了两个很强的结构ResNet101和ResNet101-Deformable作为作者的backbone。这里特地使用了Deformable的原因是，作者想要证明作者的方法和Deformable Conv这种 去学习adaptive receptive field的方法仍然相兼容。具体结果见下。

可以看到，在接近map 40的baseline上，作者提出的每一部分都是有效的，在这两个baseline上分别有2.7和1.9 map的提升。

另外一个值得一提的ablation是，对于作者上面提出的single branch approximation，作者如何选择合适的scale-aware training参数使得近似的效果最好。其实作者发现很有趣的一点是，如果采用single branch近似的话，那么所有样本在所有branch都训练结果最好。这一点其实也符合预期，因为最后只保留一支的话那么参数最好在所有样本上所有scale上充分训练。如果和上文40.6的baseline比较，可以发现作者single branch的结果比full TridentNet只有0.6 map的下降。这也意味着作者在不增加任何计算量和参数的情况，仍然获得2.1 map的提升。这对于实际产品中使用的detector而言无疑是个福音。

作者还和经典的feature pyramid方法FPN做了比较。为了保证比较公平，作者严格遵循Detectron中的实现方式，并使用两层fc作为detector的head。可以看到在这样的setting下，FPN其实对于baseline而言小物体有一定提升，然而大物体性能下降，综合下来并没有比baseline有提高，但是作者的方法仍然可以持续地提升2.2个点map，就算使用single branch approximation，仍然也有1.2个点的提升。这充分证明了作者的方法的普适性。

最后作者将作者的方法和各paper中报告的最好结果相比较。但是其实很难保证绝对公平，因为每篇paper使用的trick都不尽相同。所以作者在这里报告了两个结果，一个是ResNet101不加入任何trick直接使用TridentNet的结果，一个是和大家一样加入了全部trick（包括sync BN，multi-scale training/testing，deformable conv，soft-nms）的结果。在这样的两个setting下，分别取得了在COCO test-dev集上42.7和48.4的结果。这应该分别是这样两个setting下目前最佳的结果。single branch approximation也分别取得了42.2和47.6的map，不过这可是比baseline不增加任何计算量和参数量的情况下得到的。