Sparse R-CNN：稀疏框架，端到端的目標檢測（附源碼）

Sparse R-CNN拋棄了anchor boxes或者reference point等dense概念，直接從a sparse set of learnable proposals出發(fā)，沒(méi)有NMS后處理，整個(gè)網(wǎng)絡(luò )異常干凈和簡(jiǎn)潔，可以看做是一個(gè)全新的檢測范式。

1 簡(jiǎn)要

目前目標檢測成熟的算法都是基于Dense prior（密集的先驗，比如anchors、reference points），但密集的先驗存在很多問(wèn)題：1）會(huì )檢測出很多相似的結果，需要后處理（比如NMS）來(lái)過(guò)濾；2）many-to-one label assignment 問(wèn)題（作者描述為 many-to-one 正負樣本分配），猜測意思是我們在設置pred和gt時(shí)，一般不是一對一的關(guān)系，可能是有多個(gè)preds，看看哪個(gè)與gt更符合；3）檢測結果與先驗的關(guān)系非常密切（anchors的數量、大小，reference points的密級程度、proposal生成的數量）。

所以，有研究者提出了稀疏RCNN（Sparse R-CNN），一種圖像中目標檢測的純稀疏方法?，F有的目標檢測工作很大程度上依賴(lài)于密集的候選目標，如所有H×W的圖像特征圖網(wǎng)格上預定義的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)習候選目標，總長(cháng)度N，給目標檢測頭進(jìn)行分類(lèi)和定位。通過(guò)消除H*W*k（多達數十萬(wàn)）手工設計的候選目標到N（例如100)可學(xué)習的建議，Sparse R-CNN完全避免了所有與候選目標的設計和多對一的標簽分配相關(guān)的工作。更重要的是，最終的預測是直接輸出的，而沒(méi)有非極大抑制的后處理。SparseR-CNN證明了準確性、運行時(shí)和訓練收斂性能，與具有挑戰性的COCO數據集上建立的檢測器基線(xiàn)相當，例如，在標準3×訓練計劃中實(shí)現45.0AP，并使用ResNet-50FPN模型以22fps的速度運行。

作者是希望新的框架能夠激發(fā)人們重新思考目標檢測器中密集先驗的慣例。

2 背景

不同目標檢測pipelines的比較。(a)Dense，HWk候選目標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候選目標中選擇一小組N個(gè)候選目標，然后通過(guò)池化操作提取相應區域內的圖像特征，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)習的候選目標，這里N遠小于HWk。

DenseNet

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 )做對比，思想上有借鑒，但卻是全新的結構，網(wǎng)絡(luò )結構并不復雜，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(wèn)題）要么寬（比如GoogleNet的Inception），而作者則是從feature入手，通過(guò)對feature的極致利用達到更好的效果和更少的參數。主要優(yōu)化：

減輕了vanishing-gradient（梯度消失）

加強了feature的傳遞

更有效地利用了feature

一定程度上較少了參數數量

在深度學(xué)習網(wǎng)絡(luò )中，隨著(zhù)網(wǎng)絡(luò )深度的加深，梯度消失問(wèn)題會(huì )愈加明顯，目前很多論文都針對這個(gè)問(wèn)題提出了解決方案，比如ResNet，Highway Networks，Stochastic depth，FractalNets等，盡管這些算法的網(wǎng)絡(luò )結構有差別，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的前提下，直接將所有層連接起來(lái)！

RetinaNet

提出一個(gè)新的損失函數，在解決類(lèi)別不均衡問(wèn)題上比之前的方法更有效。損失函數是動(dòng)態(tài)縮放的交叉熵損失，其中縮放因子隨著(zhù)對正確類(lèi)別的置信度增加而衰減到零(如下圖)。直觀(guān)地說(shuō)，這個(gè)縮放因子可以自動(dòng)降低訓練過(guò)程中簡(jiǎn)單樣本的貢獻，并快速將模型集中在困難樣本上。實(shí)驗發(fā)現，Focal Loss在one-stage檢測器上的精確度勝過(guò)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，其它的示例可以達到類(lèi)似的結果。

設計了一個(gè)名叫RetinaNet的one-stage對象檢測器來(lái)說(shuō)明focalloss的有效性，RetinaNet命名來(lái)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的運行速度下，在COCO test-dev上取得了39.1 AP的成績(jì)，超過(guò)目前公開(kāi)的單一模型在one-stage和two-stage檢測器上取得的最好成績(jì)。

3 新框架

數據輸入包括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，跟backbone沒(méi)啥關(guān)系

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

Learnable porposal box

跟backbone沒(méi)有什么關(guān)系

可以看成是物體潛在位置的統計概率

訓練的時(shí)候可以更新參數

Learnable proposal feature

跟backbone沒(méi)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(lái)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(lái)表示更多的物體信息。

Dynamic instance interactive head

通過(guò)proposal boxes以及ROI方法獲取每個(gè)物體的特征，然后與proposal feature結合得到最終預測結果

Head的數量與learnable box的數量相同，即head/learnable proposal box/learnable proposal feature一一對應

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

4 實(shí)驗&可視化

COCO 2017 val set測試結果

COCO 2017 test-dev set

可視化迭代架構中每個(gè)階段的預測框，包括學(xué)習到的候選框。學(xué)習到的候選框以白色繪制。顯示了分類(lèi)分數超過(guò)0.3的預測框。同一候選類(lèi)的框以相同顏色繪制，學(xué)習到的候選框被隨機分布在圖像上，并一起覆蓋整個(gè)圖像。迭代頭逐漸細化邊界框位置，刪除重復的。

上圖顯示了converged model的學(xué)習到的候選框。這些方框被隨機分布在圖像上，以覆蓋整個(gè)圖像區域。這保證了在稀疏候選條件下的召回性能。此外，每個(gè)階段的級聯(lián)頭逐漸細化邊界框的位置，并刪除重復的位置。這就導致了高精度的性能。上圖還顯示了Sparse R-CNN在罕見(jiàn)場(chǎng)景和人群場(chǎng)景中都表現出穩健的性能。對于罕見(jiàn)場(chǎng)景中的目標，其重復的方框將在幾個(gè)階段內被刪除。擁擠的場(chǎng)景需要更多的階段來(lái)細化，但最終每個(gè)目標都被精確而唯一地檢測到。