作者：Vikas S Shetty
編譯：ronghuaiyang

導(dǎo)讀

模型集成是一種提升模型能力的常用方法，但也會(huì)帶來(lái)推理時(shí)間的增加，在物體檢測(cè)上效果如何，可以看看。

介紹

集成機(jī)器學(xué)習(xí)模型是一種常見的提升模型能力的方式，并已在多個(gè)場(chǎng)景中使用，因?yàn)樗鼈兘Y(jié)合了多個(gè)模型的決策，以提高整體性能，但當(dāng)涉及到基于DNN(深度神經(jīng)網(wǎng)絡(luò))的目標(biāo)檢測(cè)模型時(shí)，它并不僅僅是合并結(jié)果那么簡(jiǎn)單。

集成的需求

為了在任何模型中獲得良好的結(jié)果，都需要滿足某些標(biāo)準(zhǔn)(數(shù)據(jù)、超參數(shù))。但在真實(shí)場(chǎng)景中，你可能會(huì)得到糟糕的訓(xùn)練數(shù)據(jù)，或者很難找到合適的超參數(shù)。在這些情況下，綜合多個(gè)性能較差的模型可以幫助你獲得所需的結(jié)果。在某種意義上，集成學(xué)習(xí)可以被認(rèn)為是一種通過(guò)執(zhí)行大量額外計(jì)算來(lái)彌補(bǔ)學(xué)習(xí)算法不足的方法。另一方面，另一種選擇是在一個(gè)非集成系統(tǒng)上做更多的學(xué)習(xí)。對(duì)于計(jì)算、存儲(chǔ)或通信資源的相同增加，集成系統(tǒng)使用兩種或兩種以上的方法可能會(huì)比使用單一方法增加資源的方法更有效地提高整體精度。

看起來(lái)挺好，有沒有缺點(diǎn)呢？

• 更難調(diào)試或理解預(yù)測(cè)，因?yàn)轭A(yù)測(cè)框是根據(jù)多個(gè)模型繪制的。

• 推理時(shí)間根據(jù)模型和使用的模型數(shù)量而增加。

• 嘗試不同的模型以獲得合適的模型集合是一件耗時(shí)的事情。

不同的模型集成

• OR方法：如果一個(gè)框是由至少一個(gè)模型生成的，就會(huì)考慮它。

• AND方法：如果所有模型產(chǎn)生相同的框，則認(rèn)為是一個(gè)框(如果IOU >0.5)。

• 一致性方法：如果大多數(shù)模型產(chǎn)生相同的框，則認(rèn)為是一個(gè)框，即如果有m個(gè)模型，(m/2 +1)個(gè)模型產(chǎn)生相同的框，則認(rèn)為這個(gè)框有效。

• 加權(quán)融合：這是一種替代NMS的新方法，并指出了其不足之處。

不同的集成方法

在上面的例子中，OR方法的預(yù)測(cè)得到了所有需要的對(duì)象框，但也得到了一個(gè)假陽(yáng)性結(jié)果，一致性的方法漏掉了馬，AND方法同時(shí)漏掉了馬和狗。

驗(yàn)證

為了計(jì)算不同的集成方法，我們將跟蹤以下參數(shù)：

• True positive：預(yù)測(cè)框與gt匹配

• False Positives：預(yù)測(cè)框是錯(cuò)誤的

• False Negatives：沒有預(yù)測(cè)，但是存在gt。

• Precision：度量你的預(yù)測(cè)有多準(zhǔn)確。也就是說(shuō)，你的預(yù)測(cè)正確的百分比[TP/ (TP + FP)]

• Recall：度量gt被預(yù)測(cè)的百分比[TP/ (TP + FN)]

• Average Precision：precision-recall圖的曲線下面積

使用的模型

為了理解集成是如何起作用的，我們提供了用于實(shí)驗(yàn)的獨(dú)立模型的結(jié)果。

1. YoloV3:

2. Faster R-CNN — ResNeXt 101 [X101-FPN]:

集成實(shí)驗(yàn)

1. OR — [YoloV3, X101-FPN]

如果你仔細(xì)觀察，F(xiàn)Ps的數(shù)量增加了，這反過(guò)來(lái)降低了精度。與此同時(shí)，TPs數(shù)量的增加反過(guò)來(lái)又增加了召回。這是使用OR方法時(shí)可以觀察到的一般趨勢(shì)。

2. AND — [YoloV3, X101-FPN]

與我們使用OR方法觀察到的情況相反，在AND方法中，我們最終獲得了較高的精度和較低的召回率，因?yàn)閹缀跛械募訇?yáng)性都被刪除了，因?yàn)閅oloV3和X101的大多數(shù)FPs是不同的。

檢測(cè)框加權(quán)融合

在NMS方法中，如果框的IoU大于某個(gè)閾值，則認(rèn)為框?qū)儆趩蝹€(gè)物體。因此，框的過(guò)濾過(guò)程取決于這個(gè)單一IoU閾值的選擇，這影響了模型的性能。然而，設(shè)置這個(gè)閾值很棘手：如果有多個(gè)物體并排存在，那么其中一個(gè)就會(huì)被刪除。NMS丟棄了冗余框，因此不能有效地從不同的模型中產(chǎn)生平均的局部預(yù)測(cè)。

NMS和WBF之間的主要區(qū)別是，WBF利用所有的框，而不是丟棄它們。在上面的例子中，紅框是ground truth，藍(lán)框是多個(gè)模型做出的預(yù)測(cè)。請(qǐng)注意，NMS是如何刪除冗余框的，但WBF通過(guò)考慮所有預(yù)測(cè)框創(chuàng)建了一個(gè)全新的框(融合框)。

3. Weighted Boxes Fusion — [Yolov3, X101-FPN]

YoloV3和X101-FPN的權(quán)重比分別為2:1。我們也試著增加有利于X101-FPN的比重(因?yàn)樗男阅芨?，但在性能上沒有看到任何顯著的差異。從我們讀過(guò)的加權(quán)融合論文中，作者注意到了AP的增加，但如你所見，WBF YoloV3和X101-FPN并不比OR方法好很多。我們注意到的是，大部分的實(shí)驗(yàn)涉及至少3個(gè)或更多模型。

4. Weighted Boxes Fusion — [Yolov3, X101, R101, R50]

在最后的實(shí)驗(yàn)中，我們使用了YoloV3以及我們?cè)贒etectron2中訓(xùn)練的3個(gè)模型[ResNeXt101-FPN, ResNet101-FPN, ResNet50-FPN]。顯然，召回率有一個(gè)跳躍(約為傳統(tǒng)方法的0.3)，但AP的跳躍并不大。另外，需要注意的是，當(dāng)你向WF方法添加更多模型時(shí)，誤報(bào)的數(shù)量會(huì)激增。

總結(jié)

當(dāng)使用相互補(bǔ)充的模型時(shí)，集成是提高性能的一種很好的方法，但它也會(huì)以速度為代價(jià)來(lái)完成推理。根據(jù)需求，可以決定有多少個(gè)模型，采用哪種方法，等等。但從我們進(jìn)行的實(shí)驗(yàn)來(lái)看，性能提升的數(shù)量似乎與一起運(yùn)行這些模型所需的資源和推斷時(shí)間不成比例。

英文原文：https://medium.com/inspiredbrilliance/object-detection-through-ensemble-of-models-fed015bc1ee0
本文轉(zhuǎn)自：AI公園，作者：Vikas S Shetty，編譯：ronghuaiyang，
轉(zhuǎn)載此文目的在于傳遞更多信息，版權(quán)歸原作者所有。