在Google主辦的最大規(guī)模開(kāi)放圖像目標(biāo)檢測(cè)競(jìng)賽中，中國(guó)團(tuán)隊(duì)再次獲得冠軍。獲獎(jiǎng)技術(shù)采用了FPN，cascade-rcnn等最新的檢測(cè)算法，并面向復(fù)雜實(shí)際場(chǎng)景數(shù)據(jù)集對(duì)算法進(jìn)行了改進(jìn)，模型性能實(shí)現(xiàn)了大幅提升。

眼睛是人類接觸外部世界的第一感官，對(duì)于機(jī)器而言，計(jì)算機(jī)視覺(jué)技術(shù)就是它們的“眼睛”。近日，百度視覺(jué)團(tuán)隊(duì)在全球最大規(guī)模目標(biāo)檢測(cè)競(jìng)賽Google AI Open Images-Object Detection Track中從全球450多支參賽隊(duì)伍中脫穎而出，獲得世界第一，并在ECCV 2018上進(jìn)行分享。

Google AI Open Images-Object Detection Track是大規(guī)模目標(biāo)檢測(cè)任務(wù)的權(quán)威挑戰(zhàn)賽事，由Google AI Research舉辦，賽事遵循 PASCAL VOC、ImageNet和COCO等賽事傳統(tǒng)，但數(shù)據(jù)規(guī)模遠(yuǎn)大于這些賽事。

Open Images V4數(shù)據(jù)集

據(jù)介紹，大賽采用Google今年5月份發(fā)布的Open Images V4數(shù)據(jù)集作為訓(xùn)練數(shù)據(jù)集，包含超過(guò)170萬(wàn)的圖片數(shù)據(jù)，500個(gè)類別以及超過(guò)1200萬(wàn)物體框，數(shù)據(jù)沒(méi)有完全精細(xì)標(biāo)注，屬于弱監(jiān)督任務(wù)，框選類別數(shù)目不均衡且有非常廣泛的類別分布，這更符合實(shí)際情況，也意味著參加競(jìng)賽的團(tuán)隊(duì)需要考慮到類別的分布，而不能統(tǒng)一對(duì)所有類別做處理，因此更具挑戰(zhàn)性。這項(xiàng)賽事有助于復(fù)雜模型的研究，同時(shí)對(duì)評(píng)估不同檢測(cè)模型的性能有積極的促進(jìn)作用。下圖為Open Image V4 與 MS COCO 和 ImageNet 檢測(cè)任務(wù)數(shù)據(jù)對(duì)比情況。

Open Image V4 與 MS COCO及ImageNet 檢測(cè)數(shù)據(jù)對(duì)比情況

與傳統(tǒng)的檢測(cè)數(shù)據(jù)集合相比，該賽事除了數(shù)據(jù)規(guī)模大、更真實(shí)之外，還存在一系列的挑戰(zhàn)。具體來(lái)說(shuō)，主要集中在以下三個(gè)方面：

數(shù)據(jù)分布不均衡：最少的類別框選只有14個(gè)，而最多的類別框選超過(guò)了140w，數(shù)據(jù)分布嚴(yán)重不均衡。

類別框數(shù)量分布

漏標(biāo)框：很多圖片存在只標(biāo)注主體類別，其他小物體或者非目標(biāo)物體沒(méi)有標(biāo)注出來(lái)。

漏標(biāo)注圖片舉例

尺度變化大：大部分物體框只占整個(gè)圖片的0.1以下，而有些框選卻占了整個(gè)圖片區(qū)域。如圖所示，Open Image V4集合存在更多的小物體，參賽者也會(huì)在檢測(cè)數(shù)據(jù)中遇到更大的挑戰(zhàn)。

框尺度大小分布對(duì)比

解決方案

在比賽過(guò)程中百度視覺(jué)團(tuán)隊(duì)采用了不同復(fù)雜度、不同骨架網(wǎng)絡(luò)進(jìn)行模型的訓(xùn)練，并對(duì)這些模型進(jìn)行融合。從整體方案框架來(lái)看，可分為Fast R-CNN和Faster R-CNN兩種不同的訓(xùn)練模式。Fast R-CNN版本是該團(tuán)隊(duì)研發(fā)的一套PaddlePaddle版本，在此基礎(chǔ)上Faster R-CNN加入了 FPN、Deformable、Cascade等最新的檢測(cè)算法，模型性能實(shí)現(xiàn)了大幅度的提升。

整體方案框架流程圖

骨架網(wǎng)絡(luò)為ResNet-101 的Fast R-CNN，模型收斂后可以達(dá)到0.481，在測(cè)試階段加入Soft NMS以及 Multi-Scale Testing策略，可以達(dá)到0.508。研究人員也嘗試了其他骨架網(wǎng)絡(luò)（dpn98,Inception-v4,Se-ResNext101）,并把不同骨架網(wǎng)絡(luò)的檢測(cè)算法融合到一起，最終mAP可以達(dá)到0.546。在Proposal采樣階段，團(tuán)隊(duì)使用在不同位置進(jìn)行不同尺度的候選框生成，然后對(duì)這些框選進(jìn)行分類以及調(diào)整他們的位置。

Faster R-CNN: 采用這種框架可以達(dá)到略高于Fast R-CNN，mAP為0.495。在測(cè)試階段使用Soft NMS以及 Multi-Scale Testing策略后，性能達(dá)到0.525。

Deformable Convolutional Networks使用Soft NMS以及 Multi-Scale Testing策略前后，性能分別達(dá)到0.528及0.559。

Deformable Cascade R-CNN : 使用Soft NMS以及 Multi-Scale Testing策略前后，性能分別可以達(dá)到0.581和0.590.

簡(jiǎn)言之，在Fast R-CNN框架下，該團(tuán)隊(duì)采用了不同的骨架網(wǎng)絡(luò)進(jìn)行訓(xùn)練，而在Faster R-CNN框架下只使用了ResNet101這種骨架網(wǎng)絡(luò)進(jìn)行訓(xùn)練。在訓(xùn)練過(guò)程中，還通過(guò)不同的策略有效解決了各種技術(shù)問(wèn)題。詳情如下：

動(dòng)態(tài)采樣

Google Open Images V4 數(shù)據(jù)集大概有170w圖片，1220w框選，500個(gè)類別信息。最大的類別框選超過(guò)了140w,最小的類別只有14個(gè)框選，如果簡(jiǎn)單使用所有的圖片及框選，需要幾十天才能進(jìn)行模型訓(xùn)練，而且很難訓(xùn)練出來(lái)一個(gè)無(wú)偏的模型。因此，需要在訓(xùn)練過(guò)程中進(jìn)行動(dòng)態(tài)采樣，如果樣本數(shù)量多則減少采樣概率，而樣本數(shù)量少則增加采樣概率。研究人員分別進(jìn)行全集數(shù)據(jù)訓(xùn)練、固定框選子集訓(xùn)練、動(dòng)態(tài)采樣模型訓(xùn)練三種策略進(jìn)行。

全集數(shù)據(jù)訓(xùn)練：按照主辦方提供數(shù)據(jù)進(jìn)行訓(xùn)練，mAP達(dá)到0.50。

固定框選子集訓(xùn)練：線下固定對(duì)每個(gè)類別最多選擇1000個(gè)框，mAP達(dá)到0.53。

動(dòng)態(tài)采樣模型訓(xùn)練：對(duì)每個(gè)GPU、每個(gè)Epoch采用線上動(dòng)態(tài)采樣，每次采集的數(shù)據(jù)都不同，輪數(shù)達(dá)到一定數(shù)目后，整個(gè)全集的數(shù)據(jù)都能參與整體訓(xùn)練。最后mAp達(dá)到0.56。

動(dòng)態(tài)采樣策略

FPN

基于訓(xùn)練數(shù)據(jù)集的分析，研究人員發(fā)現(xiàn)其中500個(gè)類別的尺度有很大的差異。因此他們將FPN引入到檢測(cè)模型中，即利用多尺度多層次金字塔結(jié)構(gòu)構(gòu)建特征金字塔網(wǎng)絡(luò)。在實(shí)驗(yàn)中，他們以ResNet101作為骨干網(wǎng)絡(luò)，在不同階段的最后一層添加了自頂向下的側(cè)連接。自頂向下的過(guò)程是向上采樣進(jìn)行的，水平連接是將上采樣的結(jié)果與自底向上生成的相同大小的feature map合并。融合后，對(duì)每個(gè)融合結(jié)果進(jìn)行3*3卷積以消除上采樣的混疊效應(yīng)。值得注意的是，F(xiàn)PN應(yīng)該嵌入到RPN網(wǎng)絡(luò)中，以生成不同的尺度特征并整合為RPN網(wǎng)絡(luò)的輸入。最終，引入FPN后的mAP可達(dá)到0.528。

Deformable Convolution Networks

該團(tuán)隊(duì)采用可變形卷積神經(jīng)網(wǎng)絡(luò)增強(qiáng)了CNNs的建模能力?？勺冃尉矸e網(wǎng)絡(luò)的思想是在不需要額外監(jiān)督的情況下，通過(guò)對(duì)目標(biāo)任務(wù)的學(xué)習(xí)，在空間采樣點(diǎn)上增加額外的偏移量模塊。同時(shí)將可變形卷積網(wǎng)絡(luò)應(yīng)用于以ResNet101作為骨架網(wǎng)絡(luò)的Faster R-CNN架構(gòu)，并在ResNet101的res5a、5b、5c層之后應(yīng)用可變形卷積層，并將ROI Pooling層改進(jìn)為可變形位置敏感ROI Pooling層?？勺冃尉矸e網(wǎng)絡(luò)的mAP性能為0.552。

Cascade R-CNN

比賽中，該團(tuán)隊(duì)使用級(jí)聯(lián)的R-CNN來(lái)訓(xùn)練檢測(cè)模型。除訓(xùn)練基本模型外，還使用包含五個(gè)尺度特征金字塔網(wǎng)絡(luò)(FPN)和3個(gè)尺度anchors的RPN網(wǎng)絡(luò)。此外，他們還訓(xùn)練了一個(gè)針對(duì)全類模型中表現(xiàn)最差的150類的小類模型，并對(duì)這150類的模型別進(jìn)行評(píng)估。得出的結(jié)論是，500類模型的MAP為0.477，而用150類單模型訓(xùn)練結(jié)果替換500類的后150類的結(jié)果，則模型的MAP提升為0.498。使用以上方法進(jìn)行訓(xùn)練的單尺度模型的性能為0.573。

Testing Tricks

在后處理階段，團(tuán)隊(duì)使Soft NMS和多尺度測(cè)試的方法。用Soft NMS的方法代替NMS后，在不同模型上有0.5-1.3點(diǎn)的改進(jìn)，而Multi-Scale Testing在不同模型上則有0.6-2個(gè)點(diǎn)的提升。

模型融合

對(duì)于每個(gè)模型，該團(tuán)隊(duì)在NMS后預(yù)測(cè)邊界框。來(lái)自不同模型的預(yù)測(cè)框則使用一個(gè)改進(jìn)版的NMS進(jìn)行合并，具體如下：

給每個(gè)模型一個(gè)0～1之間的標(biāo)量權(quán)重。所有的權(quán)重總和為1；

從每個(gè)模型得到邊界框的置信分?jǐn)?shù)乘以它對(duì)應(yīng)的權(quán)重；

合并從所有模型得到的預(yù)測(cè)框并使用NMS，此外，除此之外，研究人員采用不同模型的分?jǐn)?shù)疊加的方式代替只保留最高分模型，在這個(gè)步驟中IOU閾值為0.5。

其實(shí)，不論是在學(xué)術(shù)圈還是工業(yè)界，大規(guī)模目標(biāo)檢測(cè)都是計(jì)算機(jī)視覺(jué)極為重要的基礎(chǔ)技術(shù)。通過(guò)這一技術(shù)，軟硬件應(yīng)用產(chǎn)品可以深度定位圖片中的物體位置以及類別，并用于新零售、通用多物品識(shí)別等場(chǎng)景。