曠視科技提出DetNet：一個為物體檢測而生的Backbone
全球計算機視覺三大頂會之一 ECCV 2018 （European Conference on Computer Vision）即將於9月8 -14日在德國慕尼黑拉開帷幕。屆時，曠視科技首席科學家、研究院院長孫劍博士將帶領團隊遠赴盛會，助力計算機視覺技術的交流與落地。而在此之前，曠視將陸續推出 ECCV 2018 接受論文系列解讀。本文是第 1 篇解讀，一個專門為物體檢測任務而設計的 Backbone——DetNet。
論文名稱：DetNet: A Backbone network for Object Detection
論文鏈接：https://arxiv.org/abs/1804.06215
目錄
導語
背景
設計思想
網路架構
動機
設計
實驗結果
主要結果
結果分析
對比當前最優
結論
參考文獻
導語
人工智慧的爆發與深度學習的發軔來自於計算機視覺領域，是從機器之眼開始，正如五億四千萬年之前，寒武紀生物大爆發的一個主要原因是眼睛的出現。能看的機器之眼，是計算機視覺技術與應用的共同目標，只不過技術是第一步。本文創新性地提出 DetNet——一個專為物體檢測而設計的骨幹網路，從底層技術的維度更新了計算機視覺網路，將會進一步推動其相關應用落地，優化產品服務。DetNet 將會更快更准地檢測和分割一張給定圖像之中的物體，完善在智慧城市、新零售、倉儲物流、消費終端等諸多領域的技術應用。
背景
物體檢測是計算機視覺研究領域的三大基礎課題之一，旨在檢測一張給定圖像中每個物體的位置和分類。傳統檢測器藉助手工設計的物體組件描述子，比如 HOG，SIFT，Edge Box 等，以從圖像提取特徵。長久以來，DPM 及其變體成為了傳統物體檢測領域的主導方法；直到深度神經網路再次崛起，基於 CNN 的方法取得矚目成果，掀起一股物體檢測新風潮。
隨著時間推移，基於 CNN 的物體檢測器也開始暴漏出一些弊端，其 backbone 往往針對 ImageNet 分類任務而設計，並不適用於檢測任務，不管是 one-stage（比如 YOLO，SSD，RetinaNet）還是 two-stage（比如 Faster R-CNN，RFCN，FPN）的。針對檢測任務而設計的 backbone 仍是一項空白，所以才有了 DetNet，一個針對物體檢測的更優的 backbone。
設計思想
設計 DetNet 的起因是圖像分類與物體檢測任務之間存在的落差，後者不僅要識別物體的分類，還需藉助邊界框定位物體。具體而言，把分類 backbone 用於物體檢測存在兩個問題：1）相較於 ImageNet backbone，最新的檢測器比如 FPN 通常有額外的 stage；2）傳統的 backbone 感受野通常較大，這有利於圖像分類，卻會折中空間解析度，導致無法精確定位大物體和識別小物體。
DetNet 是一個針對上述問題而設計的全新 backbone。詳細講，DetNet 針對不同大小的物體而像 FPN 一樣使用了更多的 stage。即便如此，它優於 ImageNet 預訓練模型的地方在於成功保留了特徵的空間解析度，但同時也會增加神經網路的計算和內存成本。為保證 DetNet 的效率，本文引入了低複雜度的 dilated bottleneck。由此，DetNet 做到了較高解析度和較大感受野的兼得。
網路架構
動機
由於分類模型的設計原則並不適用於檢測任務，從而在一些標準網路比如 VGG 16 和 ResNet 中特徵圖的空間解析度逐漸降低。因此一些技術如 FPN（如圖 1 A 所示）和 dilation 被應用在這些網路之中以保證空間解析度。但是依然存在如下三個問題：
backbone 網路和檢測網路的 stage 數量不同。
大物體可視性較差：過大的下採樣導致大物體看不清邊界地區。
小物體不可見：同樣過大的下採樣也可能會丟失小物體的信息。
圖 1：FPN 中使用的不同 backbone。
為解決上述問題，DetNet 具有以下特性：1）stage 的數量直接專為物體檢測而設計；2）儘管相比傳統分類網路，DetNet 有更多 stage（比如 6 stages 或者 7 stages），但是同時兼具空間解析度和感受野。
相較於把傳統分類網路用於物體檢測而言，DetNet 有以下優勢：1）DetNet stage 的數量與 FPN 相同，因此額外的 stage 比如 P6 可在 ImageNet 中完成預訓練；2）受益於最後 stage 中的高解析度特徵圖，DetNet 在定位大物體邊界框和發現小物體方面更為強大。
設計
本節將詳細展示 DetNet 結構。DetNet 基線為 ResNet-50，它被廣泛用於眾多物體檢測器的 backbone。為了公平對比 ResNet-50，本文讓 DetNet stage 1，2，3，4 與 ResNet-50 相同。
打造一個有效而高效的物體檢測 backbone 面臨兩個挑戰：一方面，保證深度神經網路的空間解析度非常消耗時間和內存；另一方面，減少下採樣等於減小有效感受野，這將會影響很多視覺任務，包括圖像分類和語義分割在內。
圖 2: DetNet 及基於 DetNet 的特徵金字塔網路（FPN）的結構細節。
通過精心設計的 DetNet 可攻克這兩項挑戰。具體而言，DetNet stage 1，2，3，4 與 ResNet 設置相同；不同的是 stage 5，以及用於圖像分類的 DetNet 的概覽，如圖 2 D 所示。下面探討一下（擴展了 ResNet-50 的）DetNet-59 的細節：
本文在 backbone 中引入額外的 stage，比如 P6，它稍後用於物體檢測，正如在 FPN 中一樣。同時，在 stage 4 之後把空間解析度固定為 16x 下採樣。
由於空間尺寸在 stage 4 之後是固定的，為引入一個新 stage，本文在每個 stage 開始使用一個帶有 1x1 卷積投影（圖 2 B）的 dilated bottleneck。
藉助 dilated bottleneck 作為基礎模塊以加大感受野。由於 dilated conv 依然耗時，DetNet stage 5，6 與 stage 4 通道數量相同（bottleneck 有 256 個輸入通道），這不同於傳統的 backbone 設計，其在新的 stage 需要雙倍的通道。
實驗結果
主要結果
本文首先在 ImageNet 分類任務中訓練 DetNet-59，結果如表 1 所示，在計算量為 4.8 G FLOPS 的情況下，DetNet-59 top-1 error 為 23.5，性能顯著優於 ResNet-50（mAP 漲點 2+）。
表 1：FPN 中使用不同 backbone 的結果。
由於 DetNet-59 相比 ResNet-50 有更多參數，一個自然的假設是提升主要來自參數的增多。為驗證 DetNet-59 的有效性，本文在計算量為 7.6 G FLOPS 的情況下也訓練了一個 backbone 為 ResNet-101 的 FPN，結果 mAP 為 39.8。可見 DetNet 在這方面要優於 ResNet。
由於 DetNet 直接專為物體檢測而設計，為進一步驗證其優勢，本文分別從頭訓練了 DetNet-59/ResNet-50-baesd FPN。結果如表 2 所示。為了從頭開始，本文在訓練期間使用了跨卡同步批歸一化。由結果可知，DetNet-59 依然優於 ResNet-50 1.8 個點，從而進一步證明 DetNet 更適用於物體檢測。
表 2：不同 backbone 的 FPN 結果，訓練從頭開始。
結果分析
本節將分析 DetNet 是如何提升物體檢測性能的。
表 3：在不同 IoU 閾值和不同邊界框大小的情況下，FPN AP 結果的對比。
表 4：在不同 IoU 閾值和不同邊界框大小的情況下，FPN AR 結果的對比。
相較於 ResNet-50，DetNet-59 在發現小物體方面更為強大，AR_50 漲點達到 6.4（66.4 vs 60.0）；DetNet 在較深的 stage 比 ResNet 保有更高的解析度，從而可以檢測更小的物體。由於在圖 1 A 中使用上採樣，淺層也可以獲取語義線索以發現小物體。但是 AR_85 @small 漲點並不明顯（18.7 vs 19.6）。這是合理的，DetNet 無益於小物體定位，因為 ResNet-based FPN 已經使用大特徵圖檢測小物體。
DetNet 擅長大物體定位，其 AR_85 為 56.3（vs 50.2）。但是 AR_50 並沒有變化太多（95.4 vs 95.0）。一般來講，DetNet 更擅長定位大物體而不是查漏大物體。
對比當前最優
本文在 COCO test-dev 上評估 DetNet-59-based FPN，並對比表其他當前最優的方法（見表 7）。沒有任何花哨的東西，DetNet 作為簡單而高效的 backbone 在 COCO 物體檢測上獲得了新的當前最優，甚至超過強勁的對手 ResNet-101。
表 7：在 COCO test-dev 上，本文方法與其他當前最優方法在物體檢測結果方面的對比。
為驗證 DetNet 泛化能力，本文方法也用於了基於 Mask R-CNN 的 COCO 實例分割任務中。結果如表 8 所示。由於 DetNet-59 的優異性能，本文在實例分割方面同樣刷新了當前最優結果。
表 8：在 COCO test-dev 上，本文方法與其他當前最優方法在實例分割結果方面的對比。
一些可視化結果如圖 4、5 所示。本文只展示了分類分值不低於 0.5 的邊界框和實例分割。
圖 4：DetNet-59 based FPN 結果圖示。
圖 5：DetNet-59 based Mask R-CNN 結果圖示。
結論
本文專門針對物體檢測任務設計了一個全新的 backbone——DetNet。一般來講，backbone 多是針對圖像分類任務而設計，當遷移至物體檢測任務時，兩者之間往往存在一定差異。為此，本文提出 DetNet，它不僅針對分類任務做了優化，對定位也很友好，並在 COCO 上的物體檢測和實例分割任務中展現了出色的結果。
參考文獻
Lin, T.Y., Doll′ar, P., Girshick, R., He, K., Hariharan, B., Belongie, S.: Feature pyramid networks for object detection
He, K., Zhang, X., Ren, S., Sun, J.: Deep residual learning for image recognition.
Girshick, R., Radosavovic, I., Gkioxari, G., Doll′ar, P., He, K.:Detectron. https: //github.com/facebookresearch/detectron (2018)
He, K., Gkioxari, G., Doll′ar, P., Girshick, R.: Mask r-cnn.
Lin, T.Y., Maire, M., Belongie, S., Hays, J., Perona, P., Ramanan, D., Doll′ar, P., Zitnick, C.L.: Microsoft coco: Common objects in context.
曠視科技目標檢測概述：Beyond RetinaNet and Mask R-CNN.
TAG:Megvii曠視科技 |