目標(biāo)檢測（object detection）是計(jì)算機(jī)視覺中的基礎(chǔ)任務(wù)，旨在定位圖像或視頻中某幾類物體的坐標(biāo)位置。本文將對微軟亞洲研究院入選 NeurIPS 2020 中的目標(biāo)檢測工作進(jìn)行介紹。

論文鏈接：https://arxiv.org/abs/2010.15831

代碼鏈接：https://github.com/microsoft/RelationNet2

現(xiàn)有的各種檢測算法通常利用單一的格式來表示物體，比如 RetinaNet 和 Faster R-CNN 中的矩形框、FCOS 和 RepPoints 中的物體中心點(diǎn)、CornerNet 中的角點(diǎn)、以及 RepPoints 和 PSN 中的點(diǎn)集。圖1展示了四個(gè)主流框架的物體表示形式，以及初始化的物體表示形式如何形成最終的檢測框?？梢钥吹剑煌奈矬w表示形式分別利用其框架的特征來回歸最終的檢測框。

圖1：通用物體檢測框架的物體表示形式

不同的物體表示形式都有其優(yōu)缺點(diǎn)，例如矩形框表示的優(yōu)點(diǎn)是更符合現(xiàn)有的物體標(biāo)注；中心點(diǎn)表示可以避免負(fù)責(zé)的錨點(diǎn)（anchor）設(shè)計(jì)，對小物體也更友好；角點(diǎn)表示則對于定位更加準(zhǔn)確，對大物體地檢測更好、更準(zhǔn)。

但由于這些不同表示在特征提取上的異構(gòu)性和非均勻性，很難將它們有機(jī)地融合在一個(gè)檢測框架中。因此，微軟亞洲研究院的研究員們設(shè)計(jì)了一個(gè) BVR (Briding Visual Representations) 模塊來彌合不同的表達(dá)方法，它利用 Transformer 中的解碼器來實(shí)現(xiàn)異構(gòu)的各種物體表示之間的聯(lián)系。

對于一個(gè)常見的檢測器，其使用的物體表示形式被稱之為“主表示”（master representation)，而其它物體表示形式被稱為“輔助表示“（auxiliary representation）。在 BVR 模塊中，主表示作為查詢(query)，類似于機(jī)器翻譯中的目標(biāo)語言，輔助表示作為關(guān)鍵字（key），可類比為機(jī)器翻譯中的源語言，于是就可以將輔助表示的信息融合到主表示中，增強(qiáng)主表示的特征并最終幫助這一檢測器。

BVR 模塊可以很方便地插入到主流的檢測器中，并廣泛提升這些檢測器的性能，例如在 Faster R-CNN、RetinaNet、FCOS 以及 ATSS 上，這一模塊均帶來了 1.5~3.0AP 的性能提升。圖2展示了如何將 BVR 模塊插入到 RetinaNet 中。

圖2：如何將 BVR 模塊插入到 RetinaNet 中

RetinaNet 中，在基于矩形框的錨點(diǎn)表示分支的基礎(chǔ)上，額外增加了關(guān)于點(diǎn)的預(yù)測的頭部網(wǎng)絡(luò)分支，用于預(yù)測中心點(diǎn)（center）和角點(diǎn)（corner），并作為主分支的輔助表示（auxiliary representation）。在建模主表示和輔助表示間關(guān)系時(shí)，需同時(shí)考慮表觀間的關(guān)系，如果將所有的中心點(diǎn)/角點(diǎn)都作為查詢輸入的話，將會帶來極大的計(jì)算復(fù)雜度。因此，研究員們提出了只利用得分 top-k 的查詢選擇策略來降低運(yùn)算、提升效果，并且利用空間域插值的方式來計(jì)算幾何關(guān)系，進(jìn)一步降低運(yùn)算代價(jià)。關(guān)于如何將 BVR 插入到 FCOS、Faster R-CNN 以及 FOCS 中，請閱讀原論文進(jìn)行了解。

最后，將 BVR 模塊插入到 ATSS 中時(shí)，該模型被稱之為 RelationNet++，在 COCO test-dev 集合上達(dá)到了 52.7 AP 的性能，如表1所示。

表1：RelationNet++ 在 COCO test-dev 集合上達(dá)到了 52.7 AP 的性能

需要注意的是，不久前的 DETR 檢測器在視覺領(lǐng)域取得了較大的影響。DETR 主要探討了 Transformers 應(yīng)用于物體檢測領(lǐng)域的可行性，而 BVR 則關(guān)注于提升物體檢測器，通過彌合不同物體表示的優(yōu)點(diǎn)，從而取得更高的性能。另一方面，在建模上兩種方式也有所不同，BVR 采用的是稀疏健值（key），并證明了其相比稠密健值更加有效且高效。

論文地址：https://arxiv.org/abs/2007.08508

代碼地址：https://github.com/Scalsol/RepPointsV2

物體定位在物體檢測任務(wù)中是非常重要的組成部分，傳統(tǒng)的方法如 Faster-RCNN、RetinaNet 采用的是一種“粗驗(yàn)證，細(xì)回歸”的范式，它們首先會鋪設(shè)若干預(yù)設(shè)好大小的錨點(diǎn)，然后再通過計(jì)算錨點(diǎn)與真實(shí)框之間的偏移來調(diào)整錨點(diǎn)的位置與大小來完成物體定位。最近，一些基于中心點(diǎn)的“純回歸”無錨點(diǎn)（anchor-free）方法，如 FCOS、RepPoints 等卻取得了與“粗驗(yàn)證，細(xì)回歸”方法可比，甚至更好的表現(xiàn)，這不禁讓人對物體定位中驗(yàn)證步驟的必要性產(chǎn)生懷疑。

但與此同時(shí)，有一系列基于“純驗(yàn)證”的方法也取得了不錯(cuò)的結(jié)果，代表方法就是 CornerNet。通過比較可以發(fā)現(xiàn)此類方法在產(chǎn)生高質(zhì)量（AP90）框的能力上要遠(yuǎn)遠(yuǎn)高出上述兩類方法。受此啟發(fā)，微軟亞洲研究院的研究員們發(fā)現(xiàn)通過在 RepPoints 這樣一個(gè)純回歸的框架上引入合適的驗(yàn)證任務(wù)，能夠給模型的表現(xiàn)帶來很大提升。

圖3：融合方法介紹

如圖3所示，研究員們將驗(yàn)證任務(wù)作為 RepPoints 的一個(gè)旁支，讓其高效地與主網(wǎng)絡(luò)進(jìn)行特征與結(jié)果層面的交互，同時(shí)不影響 RepPoints 本身基于點(diǎn)表示的特性。本篇論文主要引入了兩種驗(yàn)證任務(wù)：一是角點(diǎn)驗(yàn)證，判斷特征圖上的像素點(diǎn)是否是某個(gè)真實(shí)框的左上（右下）角點(diǎn)；二是框內(nèi)前景驗(yàn)證，將物體的外接框作為該物體的粗糙掩碼，然后將其當(dāng)做一個(gè)語義分割任務(wù)來進(jìn)行學(xué)習(xí)。

通過引入這兩個(gè)驗(yàn)證任務(wù)和加入與之相適應(yīng)的修改，可以獲得以下幾點(diǎn)好處：
首先是更好的特征：驗(yàn)證任務(wù)可以提供訓(xùn)練時(shí)額外的監(jiān)督信號并且驗(yàn)證分支的特征可以與回歸分支的特征相融合，這種多任務(wù)學(xué)習(xí)的方式和特征融合的方式在 Mask R-CNN 等方法中已經(jīng)被證明對提升模型表現(xiàn)非常有效。

其次是聯(lián)合推斷：在特征層面的融合之外，驗(yàn)證分支中的角點(diǎn)驗(yàn)證模塊可以對回歸分支的結(jié)果進(jìn)行進(jìn)一步的修正，獲得更為精確的結(jié)果。

最后，由于本篇論文中提出的方法并不受到具體檢測框架的限制，因此可以輕易地拓展到其他物體檢測器上，同時(shí)也適用于其他視覺任務(wù)如實(shí)例分割。

表2展示了在不同的主干（backbone）網(wǎng)絡(luò)下，該方法相比于 RepPoints v1 均能夠獲得2%左右的穩(wěn)定提升。表3則比較了本文提出的檢測器與其他檢測器之間的性能。

表2：穩(wěn)定的性能提升
表3：與其他檢測器性能比較
下面兩個(gè)表格展示了在其它基檢測器以及實(shí)例分割任務(wù)上本文方法的適用性。
表4：在 mmdetection 集合上，驗(yàn)證模塊用于 FCOS 方法的實(shí)驗(yàn)結(jié)果

表5：在 COCO test-dev 集合上，驗(yàn)證模塊用于 DenseRepPoints 方法的實(shí)驗(yàn)結(jié)果

圖4展示了 RepPoints V1 和 V2 的預(yù)測結(jié)果，其中第一行為 V1 的預(yù)測結(jié)果，第二行為 V2 的預(yù)測結(jié)果。可以看到 V2 的結(jié)果更加準(zhǔn)確。
圖4：RepPoints V1 和 V2 的預(yù)測結(jié)果比較

論文鏈接：https://arxiv.org/abs/2010.11714

代碼鏈接：https://github.com/yang-yk/NP-RepMet

受制于自身數(shù)量和樣本獲取等原因，不同類別的樣本數(shù)量分布自然地呈現(xiàn)出長尾現(xiàn)象，類別間樣本數(shù)量差異很大。深度學(xué)習(xí)模型往往在樣本豐富的類別上能夠取得較好的效果，而在樣本稀缺的類別上表現(xiàn)卻不盡如人意。但在自然界中，人類通常可以通過很少數(shù)量的樣本就能夠完成各項(xiàng)分類識別任務(wù)。由此，小樣本學(xué)習(xí)應(yīng)運(yùn)而生，其目標(biāo)是利用樣本豐富類別（base classes）提取先驗(yàn)知識并將其推廣到弱監(jiān)督小樣本類別（novel classes）的新任務(wù)?[1]。

圖5：目標(biāo)檢測示例

由于小樣本類別上的樣本極其有限，所以如何充分利用有限的樣本信息就成為了小樣本目標(biāo)檢測性能提升的關(guān)鍵?，F(xiàn)有的小樣本目標(biāo)檢測工作（Meta R-CNN [2]、RepMet [3]等）是在樣本豐富類別上訓(xùn)練主干網(wǎng)絡(luò)或嵌入表示網(wǎng)絡(luò)，然后通過小樣本類別上的支持集（support set）提取和學(xué)習(xí)小樣本集特征并進(jìn)行小樣本目標(biāo)檢測。然而這只利用了正樣本（positive）的特征，卻忽略了負(fù)樣本（negative）尤其是困難負(fù)樣本（hard negative）信息在小樣本目標(biāo)檢測中的作用。如圖6所示，微軟亞洲研究院的研究員們將與樣本標(biāo)簽 IoU>0.7 的候選框定義為正樣本信息，將 0.2基于 Faster R-CNN，在 RepMet 的基礎(chǔ)上，新建了一個(gè) NP-RepMet 的框架，綜合利用正負(fù)樣本信息可以更好地進(jìn)行小樣本檢測。

圖6：樣本豐富類別訓(xùn)練過程

在樣本豐富類別訓(xùn)練的過程中，RPN 和 DML Embedding Module 后通過兩個(gè)全連接層分別對每個(gè)候選框提取正樣本和負(fù)樣本特征，并根據(jù) IoU 對候選框進(jìn)行正負(fù)樣本分類。研究員們通過聯(lián)合訓(xùn)練的方式，利用正樣本候選框的特征訓(xùn)練其正樣本表示（圖6黃色虛線框），利用負(fù)樣本候選框的特征訓(xùn)練其負(fù)樣本表示（圖6黃色虛線框）。然后，計(jì)算每個(gè)候選框的正樣本特征與學(xué)習(xí)到的每個(gè)類別正樣本表示的最小距離，計(jì)算每個(gè)候選框的負(fù)樣本特征與學(xué)習(xí)到的每個(gè)類別負(fù)樣本表示的最小距離。最后，綜合利用這兩個(gè)距離，并將距離通過概率度量模塊轉(zhuǎn)換為分類概率進(jìn)行每個(gè)候選框的分類。

圖7：小樣本類別測試過程

小樣本類別的測試過程如圖7所示。首先利用有標(biāo)簽支持集上的樣本，通過 DML Embedding Module 后全連接層提取到的特征，根據(jù) IoU 進(jìn)行小樣本類別正樣本表示和負(fù)樣本表示的替換。對于查詢集（query set）上的測試數(shù)據(jù)，其計(jì)算過程如上圖紅色箭頭所示，與訓(xùn)練過程相同。

與 RepMet 和 Meta R-CNN 保持一致，研究員們分別在 ImageNet-LOC 和 Pascal VOC 上進(jìn)行了實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如下：

表6：在 ImageNet-LOC 上的實(shí)驗(yàn)結(jié)果

表7：在 Pascal VOC 上的實(shí)驗(yàn)結(jié)果

可以看到，通過綜合利用正負(fù)樣本信息，小樣本目標(biāo)檢測能夠取得較大性能提升。相比于 RepMet 和 Meta R-CNN，NP-RepMet 在 5-way 1-shot 條件下，于 ImageNet-LOC 和 Pascal VOC 數(shù)據(jù)集上的 mAP 均取得了10%以上的提升。?

參考文獻(xiàn)：