微軟亞洲研究院視覺計(jì)算組又一個(gè)令人拍案叫絕的操作：可變形卷積網(wǎng)絡(luò)v2版！DCNv2方法簡單，結(jié)果更好，在COCO基準(zhǔn)測試中比上個(gè)版本提升了5個(gè)點(diǎn)。

同樣的物體在圖像中可能呈現(xiàn)出不同的大小、姿態(tài)、視角變化甚至非剛體形變，如何適應(yīng)這些復(fù)雜的幾何形變是物體識(shí)別的主要難點(diǎn)，也是計(jì)算機(jī)視覺領(lǐng)域多年來關(guān)注的核心問題。

去年，微軟亞洲研究院視覺計(jì)算組提出了 “Deformable Convolutional Networks”（可變形卷積網(wǎng)絡(luò)），首次在卷積神經(jīng)網(wǎng)絡(luò)（CNN）中引入了學(xué)習(xí)空間幾何形變的能力，得到可變形卷積網(wǎng)絡(luò)（Deformable ConvNets），從而更好地解決了具有空間形變的圖像識(shí)別任務(wù)。

通俗地說，圖像中的物體形狀本來就是千奇百怪，方框型的卷積核，即使卷積多次反卷積回去仍然是方框，不能真實(shí)表達(dá)物體的形狀，如果卷積核的形狀是可以變化的，這樣卷積后反卷積回去就可以形成一個(gè)多邊形，更貼切的表達(dá)物體形狀，從而可以更好地進(jìn)行圖像分割和物體檢測。

研究員們通過大量的實(shí)驗(yàn)結(jié)果驗(yàn)證了該方法在復(fù)雜的計(jì)算機(jī)視覺任務(wù)（如目標(biāo)檢測和語義分割）上的有效性，首次表明在深度卷積神經(jīng)網(wǎng)絡(luò)（deep CNN）中學(xué)習(xí)空間上密集的幾何形變是可行的。

但這個(gè)Deformable ConvNets也有缺陷，例如，激活單元的樣本傾向于集中在其所在對象的周圍。然而，對象的覆蓋是不精確的，顯示出超出感興趣區(qū)域的樣本的擴(kuò)散。在使用更具挑戰(zhàn)性的COCO數(shù)據(jù)集進(jìn)行分析時(shí)，研究人員發(fā)現(xiàn)這種傾向更加明顯。這些研究結(jié)果表明，學(xué)習(xí)可變形卷積還有更大的可能性。

昨天，MSRA視覺組發(fā)布可變形卷積網(wǎng)絡(luò)的升級(jí)版本：Deformable ConvNets v2 (DCNv2)，論文標(biāo)題也相當(dāng)簡單粗暴：更加可變形，更好的結(jié)果！

論文地址：

https://arxiv.org/pdf/1811.11168.pdf

DCNv2具有更強(qiáng)的學(xué)習(xí)可變形卷積的建模能力，體現(xiàn)在兩種互補(bǔ)的形式：

第一種是網(wǎng)絡(luò)中可變形卷積層的擴(kuò)展使用。配備具有offset學(xué)習(xí)能力的更多卷積層允許DCNv2在更廣泛的特征級(jí)別上控制采樣。

第二種是可變形卷積模塊中的調(diào)制機(jī)制，其中每個(gè)樣本不僅經(jīng)過一個(gè)學(xué)習(xí)的offset，而且還被一個(gè)學(xué)習(xí)特征調(diào)制。因此，網(wǎng)絡(luò)模塊能夠改變其樣本的空間分布和相對影響。

為了充分利用DCNv2增強(qiáng)的建模能力，需要進(jìn)行有效的訓(xùn)練。受神經(jīng)網(wǎng)絡(luò)的knowledge distillation這一工作的啟發(fā)，我們利用教師網(wǎng)絡(luò)來實(shí)現(xiàn)這一目的，教師在訓(xùn)練期間提供指導(dǎo)。

具體來說，我們利用R-CNN作為教師網(wǎng)絡(luò)。由于它是訓(xùn)練用于對裁剪圖像內(nèi)容進(jìn)行分類的網(wǎng)絡(luò)，因此R-CNN學(xué)習(xí)的特征不受感興趣區(qū)域之外無關(guān)信息的影響。為了模仿這個(gè)屬性，DCNv2在其訓(xùn)練中加入了一個(gè)特征模擬損失，這有利于學(xué)習(xí)與R-CNN一致的特征。通過這種方式，DCNv2得到強(qiáng)大的訓(xùn)練信號(hào)，用于增強(qiáng)可變形采樣。

通過這些改變，可變形模塊仍然是輕量級(jí)的，并且可以容易地結(jié)合到現(xiàn)有網(wǎng)絡(luò)架構(gòu)中。

具體而言，我們將DCNv2合并到Faster R-CNN 和Mask R-CNN 系統(tǒng)，并具有各種backbone網(wǎng)絡(luò)。在COCO基準(zhǔn)測試上的大量實(shí)驗(yàn)證明了DCNv2相對于DCNv1在物體檢測和實(shí)例分割方面都有顯著改進(jìn)。

我們將在不久后發(fā)布DCNv2的代碼。

圖1：常規(guī)ConvNet、DCNv1以及DCNv2中conv5 stage最后一層節(jié)點(diǎn)的空間支持。

圖3：利用R-CNN feature mimicking的訓(xùn)練

結(jié)果

表4：COCO 2017 test-dev set 中各種backbones上的DCNv2、DCNv1和regular ConvNets的結(jié)果。

圖4：在COCO 2017 test-dev set不同分辨率的輸入圖像上，DCNv2和regular ConvNets（Faster R-CNN + ResNet-50 / ResNet-101）的APbbox分?jǐn)?shù)。

表6：DCNv2、DCNv1和regular ConvNets的ImageNet分類準(zhǔn)確度。

可以看到，Deformable ConvNets v2的結(jié)果相當(dāng)亮眼！下面，我們精選了兩篇業(yè)內(nèi)對這篇論文的評(píng)價(jià)，經(jīng)授權(quán)發(fā)布：

業(yè)界良心DCNV2：方法簡單，結(jié)果好，分析充分

知乎用戶Bowen Cheng的評(píng)價(jià)：

一周前就聽說 Jifeng 組做出了Deformable ConvNet V2（DCNV2），今天 Jifeng 告訴我 paper 已經(jīng)掛 ArXiv 上之后果斷放下所有事把這篇 paper 好好讀了讀。感覺這個(gè)工作特別 solid，果然沒有讓人失望。下面簡單談?wù)剛€(gè)人對這篇 paper 的理解，可能有不對的地方請大家多多指點(diǎn)！

DCNV2 首先用了更好的 visualization 來更深入的理解 DCNV1 為什么 work 以及還存在什么缺陷，發(fā)現(xiàn)存在的問題就是因?yàn)?offset 不可控導(dǎo)致引入了過多的 context，而這些 context 可能是有害的（[1]和 [2] 中也說明了這些 context 可能是有害的）。

解決方法也很簡單粗暴：

(1) 增加更多的 Deformable Convolution

(2)讓 Deformable Conv 不僅能學(xué)習(xí) offset，還能學(xué)習(xí)每個(gè)采樣點(diǎn)的權(quán)重（modulation）

(3)模擬 R-CNN 的 feature（knowledge distillation）

(1) 就不用說了，在 DCNV1 中只有 ResNet 的 Conv5 stage 中有 Deformable Conv，在 DCNV2 中把 Conv3-Conv5 的 3x3 convolution 都換成了 Deformable Conv

(2) 在 DCNV1 里，Deformable Conv 只學(xué)習(xí) offset：

而在 DCNV2 中，加入了對每個(gè)采樣點(diǎn)的權(quán)重：

其中是學(xué)到的 offset，是學(xué)到的權(quán)重。這樣的好處是增加了更大的自由度，對于某些不想要的采樣點(diǎn)權(quán)重可以學(xué)成 0。

(3) [1] 中作者（好吧，其實(shí)作者是我）發(fā)現(xiàn)把 R-CNN 和 Faster RCNN 的 classification score 結(jié)合起來可以提升 performance，說明 R-CNN 學(xué)到的 focus 在物體上的 feature 可以解決 redundant context 的問題。但是增加額外的 R-CNN 會(huì)使 inference 速度變慢很多。DCNV2 里的解決方法是把 R-CNN 當(dāng)做 teacher network，讓 DCNV2 的 ROIPooling 之后的 feature 去模擬 R-CNN 的 feature。（圖里畫的很清楚了）

其中 feature mimic 的 loss 定義是：

在 end-to-end train 的時(shí)候這個(gè) loss 給了一個(gè) 0.1 的 weight。

實(shí)驗(yàn)結(jié)果大家看 paper 就好了，在 ResNet-50 backbone COCO 上跟 DCNV1 比漲了 5 個(gè)點(diǎn)！這比目前大部分 detection paper 靠東拼西湊漲的那一兩個(gè)點(diǎn)要強(qiáng)多了。我驚訝的是和 DCNV1 對比，在 image classification 上也有很大的提升。

說說自己的想法吧，DCNV2 方法簡單，結(jié)果好，分析充分，我覺得和近期各種 detection paper 比算是業(yè)界良心了。我覺得還有可以學(xué)習(xí)的一點(diǎn)就是 context 的問題。很多 detection 的 paper 都在引入 context（大家都 claim 說小物體需要引入 context 來解決），其實(shí)我個(gè)人覺得有點(diǎn)在扯淡，物體小最直接的方法難道不是放大物體來解決嗎？比如 SNIP/SNIPER 都是在 “放大” 物體。所以在 context 這個(gè)問題上我（詳情見 [1] 和[2]）跟 Jifeng 他們的看法是一樣的，我們也許不需要那么多沒用的 context。作者都是熟人，我也不多吹了，反正我是準(zhǔn)備去 follow 這個(gè)工作了哈哈。

最后說說 DCN 有一個(gè)小缺點(diǎn)，其實(shí)就是速度的問題。因?yàn)闆]有 cudnn 的加速，DCN 完全是靠 im2col 實(shí)現(xiàn)的（從目前的 MXNet 版本來看是這樣的），當(dāng) batchsize 大的時(shí)候我感覺速度會(huì)比有 cudnn 加速的 3x3 conv 慢。很好奇當(dāng) batchsize 大的時(shí)候（比如 ImageNet）的 training 時(shí)間會(huì)慢多少。希望以后能和 dilated convolution 一樣被加到 cudnn 里支持吧。

發(fā)現(xiàn)好多人好像沒有看過 [1][2]，放張 network 的圖（宣傳一下自己的工作），DCN V2 的 mimic R-CNN 和 DCR V1 的結(jié)構(gòu)類似，但是通過 knowledge distillation 很巧妙的在 inference 階段把 R-CNN 給去掉了。

[1] Revisiting RCNN: On Awakening the Classification Power of Faster RCNN

[2] Decoupled Classification Refinement: Hard False Positive Suppression for Object Detection

創(chuàng)新性與性能雙贏，COCO漲了5個(gè)點(diǎn)！

知乎用戶孔濤的評(píng)價(jià)：

首先祭出結(jié)論，這是一篇干貨滿滿，novelty 和 performance 雙贏的 paper（COCO 直接漲了~ 5 個(gè)點(diǎn)?。?/p>

自己一直在做 object detection 相關(guān)的工作，再加上之前在 MSRA 跟 Jifeng 及 CV 組的小伙伴共事過一段時(shí)間，努力給出客觀的評(píng)價(jià)吧。

從 Deform ConvNet V1 說起

目標(biāo)檢測中有一個(gè)比較棘手的問題，即所謂的幾何形變問題（Geometric variations）。就拿人檢測來講，人的姿態(tài)有多種多樣（想想跳舞的場景），這就需要我們設(shè)計(jì)的模型具備 deformation 的能力。通常情況下為了解決這類問題有兩種思路：（a) 收集更多樣的數(shù)據(jù)用于模型的訓(xùn)練；（b) 設(shè)計(jì) transformation invariant 的特征來提升模型多樣化能力。

Deform ConvNet 是在卷積神經(jīng)網(wǎng)絡(luò)的框架下，對 transformation-invariant feature 的比較成功的嘗試。思想非常直觀，在標(biāo)準(zhǔn)的卷積核上加入了可學(xué)習(xí)的 offset，使得原來方方正正的卷積核具備了形變的能力。

deformable convolution

用過的童鞋其實(shí)都知道，在大型的 object detection/instance segmentation 任務(wù)上的表現(xiàn)還蠻搶眼的。

Deform ConvNet V2 在干啥

我認(rèn)為，Deform ConvNet 是在解決如何讓學(xué)到的 offset 能更聚焦到感興趣的物體上邊，也就是提取到更聚焦的 feature 來幫助物體的識(shí)別定位。在下邊的圖片中，我們當(dāng)然希望模型的 feature 能夠聚焦到物體上邊，這樣才能提取到更有意義的 supporting feature。

為了做到這一點(diǎn)，作者主要用了幾種策略:

(a) 增加更多的 offset 層，這個(gè)不必細(xì)說；

(b) 在 deform convolution 中引入調(diào)節(jié)項(xiàng) (modulation)，這樣既學(xué)到了 offset，又有了每個(gè)位置的重要性信息；

(c) Feature Mimicking，作者強(qiáng)調(diào)，簡單在對應(yīng)的 feature 上用 roi-pooling 來提取對應(yīng)位置的 feature 并不一定能提取到最有用的信息（可能包含無用的 context）。如何才能讓 feature 更加聚焦到物體上呢？解決就是 Mimicking 技術(shù)，讓 roi-pooling 之后的 feature 更像直接用 R-CNN 學(xué)到的 feature。

其他

除了漂亮的結(jié)果，我覺得 paper 的可視化分析部分也挺值得好好看看的。

另外很難理解為什么 Feature Mimicking 在 regular Faster R-CNN 上不 work。

從最近的一些 paper 結(jié)果看，至少目前在 deep 的框架下，針對 task，讓模型提取更加有意義的 feature 是個(gè)比較熱 / 好的方向吧。