用于精確目標(biāo)檢測的多網(wǎng)格冗余邊界框標(biāo)注

現(xiàn)在領(lǐng)先的目標(biāo)檢測器是從基于深度CNN的主干分類器網(wǎng)絡(luò)重新調(diào)整用途的兩級或單級網(wǎng)絡(luò)。

一、前言

現(xiàn)在領(lǐng)先的目標(biāo)檢測器是從基于深度CNN的主干分類器網(wǎng)絡(luò)重新調(diào)整用途的兩級或單級網(wǎng)絡(luò)。YOLOv3就是這樣一種眾所周知的最先進(jìn)的單級檢測器，它接收輸入圖像并將其劃分為大小相等的網(wǎng)格矩陣。具有目標(biāo)中心的網(wǎng)格單元負(fù)責(zé)檢測特定目標(biāo)。

今天分享的，就是提出了一種新的數(shù)學(xué)方法，該方法為每個目標(biāo)分配多個網(wǎng)格，以實現(xiàn)精確的tight-fit邊界框預(yù)測。研究者還提出了一種有效的離線復(fù)制粘貼數(shù)據(jù)增強(qiáng)來進(jìn)行目標(biāo)檢測。新提出的方法顯著優(yōu)于一些當(dāng)前最先進(jìn)的目標(biāo)檢測器，并有望獲得更好的性能。

二、背景

目標(biāo)檢測網(wǎng)絡(luò)旨在使用緊密匹配的矩形邊界框在圖像上定位對象并正確標(biāo)記它。如今，有兩種不同的方法可以實現(xiàn)這一目的。第一個也是性能方面，最主要的方法是兩階段目標(biāo)檢測，最好的代表RCNN及其衍生物[Faster r-cnn: Towards real-time object detection with region proposal networks]、[Fast r-cnn]。相比之下，第二組目標(biāo)檢測實現(xiàn)因其出色的檢測速度和輕量級而廣為人知，被稱為單階段網(wǎng)絡(luò)，代表性示例為[You only look once: Unified, real-time object detection]、[Ssd: Single shot multibox detector]、[Focal loss for dense object detection]。兩階段網(wǎng)絡(luò)依賴于一個潛在的區(qū)域建議網(wǎng)絡(luò)，該網(wǎng)絡(luò)生成可能包含感興趣對象的圖像的候選區(qū)域，第二個檢測頭處理分類和邊界框回歸。在單階段目標(biāo)檢測中，檢測是一個單一的、完全統(tǒng)一的回歸問題，它在一個完整的前向傳遞中同時處理分類和定位。因此，通常，單階段網(wǎng)絡(luò)更輕、更快且易于實現(xiàn)。

今天的研究依然是堅持YOLO的方法，特別是YOLOv3，并提出了一種簡單的hack，可以同時使多個網(wǎng)格單元預(yù)測目標(biāo)坐標(biāo)、類別和目標(biāo)置信度。每個對象的多網(wǎng)格單元分配背后的基本理論是通過強(qiáng)制多個單元在同一對象上工作來增加預(yù)測緊密擬合邊界框的可能性。

多網(wǎng)格分配的一些優(yōu)點包括：

（a）為目標(biāo)檢測器提供它正在檢測的對象的多視角視圖，而不是僅依靠一個網(wǎng)格單元來預(yù)測對象的類別和坐標(biāo)；

（b ) 較少隨機(jī)和不穩(wěn)定的邊界框預(yù)測，這意味著高精度和召回率，因為附近的網(wǎng)格單元被訓(xùn)練來預(yù)測相同的目標(biāo)類別和坐標(biāo)；

(c) 減少具有感興趣對象的網(wǎng)格單元與沒有感興趣對象的網(wǎng)格之間的不平衡。

此外，由于多網(wǎng)格分配是對現(xiàn)有參數(shù)的數(shù)學(xué)利用，并且不需要額外的關(guān)鍵點池化層和后處理來將關(guān)鍵點重新組合到其對應(yīng)的目標(biāo)，如CenterNet和CornerNet，可以說它是一個更實現(xiàn)無錨或基于關(guān)鍵點的目標(biāo)檢測器試圖實現(xiàn)的自然方式。除了多網(wǎng)格冗余注釋，研究者還引入了一種新的基于離線復(fù)制粘貼的數(shù)據(jù)增強(qiáng)技術(shù)，用于準(zhǔn)確的目標(biāo)檢測。

三、MULTI-GRID ASSIGNMENT

上圖包含三個目標(biāo)，即狗、自行車和汽車。為簡潔起見，我們將解釋我們在一個對象上的多網(wǎng)格分配。上圖顯示了三個對象的邊界框，其中包含更多關(guān)于狗的邊界框的細(xì)節(jié)。下圖顯示了上圖的縮小區(qū)域，重點是狗的邊界框中心。包含狗邊界框中心的網(wǎng)格單元的左上角坐標(biāo)用數(shù)字0標(biāo)記，而包含中心的網(wǎng)格周圍的其他八個網(wǎng)格單元的標(biāo)簽從1到8。

到目前為止，我已經(jīng)解釋了包含目標(biāo)邊界框中心的網(wǎng)格如何注釋目標(biāo)的基本事實。這種對每個對象僅一個網(wǎng)格單元的依賴來完成預(yù)測類別的困難工作和精確的tight-fit邊界框引發(fā)了許多問題，例如：

（a）正負(fù)網(wǎng)格之間的巨大不平衡，即有和沒有對象中心的網(wǎng)格坐標(biāo)

（b）緩慢的邊界框收斂到GT

（c）缺乏要預(yù)測的對象的多視角（角度）視圖。

所以這里要問的一個自然問題是，“顯然，大多數(shù)對象包含一個以上網(wǎng)格單元的區(qū)域，因此是否有一種簡單的數(shù)學(xué)方法來分配更多這些網(wǎng)格單元來嘗試預(yù)測對象的類別和坐標(biāo)連同中心網(wǎng)格單元？”。這樣做的一些優(yōu)點是（a）減少不平衡，（b）更快的訓(xùn)練以收斂到邊界框，因為現(xiàn)在多個網(wǎng)格單元同時針對同一個對象，（c）增加預(yù)測tight-fit邊界框的機(jī)會（d) 為YOLOv3等基于網(wǎng)格的檢測器提供多視角視圖，而不是對象的單點視圖。新提出的多重網(wǎng)格分配試圖回答上述問題。

Ground-truth encoding

四、訓(xùn)練

 A. The Detection Network: MultiGridDet

MultiGridDet是一個目標(biāo)檢測網(wǎng)絡(luò)，通過從YOLOv3中刪除六個darknet卷積塊來使其更輕、更快。一個卷積塊有一個Conv2D+Batch Normalization+LeakyRelu。移除的塊不是來自分類主干，即Darknet53。相反，將它們從三個多尺度檢測輸出網(wǎng)絡(luò)或頭中刪除，每個輸出網(wǎng)絡(luò)兩個。盡管通常深度網(wǎng)絡(luò)表現(xiàn)良好，但太深的網(wǎng)絡(luò)也往往會快速過度擬合或大幅降低網(wǎng)絡(luò)速度。

B. The Loss function

Coordinate activation function plot with different β values

C. Data Augmentation

離線復(fù)制粘貼人工訓(xùn)練圖像合成工作如下：首先，使用簡單的圖像搜索腳本，使用地標(biāo)、雨、森林等關(guān)鍵字從谷歌圖像下載數(shù)千張背景無對象圖像，即沒有我們感興趣的對象的圖像。然后，我們從整個訓(xùn)練數(shù)據(jù)集的隨機(jī)q個圖像中迭代地選擇p個對象及其邊界框。然后，我們生成使用它們的索引作為ID選擇的p個邊界框的所有可能組合。從組合集合中，我們選擇滿足以下兩個條件的邊界框子集：

• if arranged in some random order side by side, they must fit within a given target background image area

• and should efficiently utilize the background image space in its entirety or at least most part of it without the objects overlap.

五、實驗及可視化

Pascal VOC 2007上的性能比較

coco數(shù)據(jù)集上的性能比較

從圖中可以看出，第一行顯示了六個輸入圖像，而第二行顯示了網(wǎng)絡(luò)在非極大抑制（NMS）之前的預(yù)測，最后一行顯示了MultiGridDet在NMS之后對輸入圖像的最終邊界框預(yù)測。