SNIP-An Analysis of Scale Invariance in Object Detection

论文名称 : An Analysis of Scale Invariance in Object Detection – SNIP

论文作者：Bharat Singh & Larry S.Davis

论文链接：https://arxiv.org/abs/1711.08189

代码链接：https://github.com/bharatsingh430/snip

---

简要概述

本篇文章是一篇优化目标检测精度的文章，在two stage方法上进行模型优化的，文章的主要关注点在于目标尺度（Scale）。基于作者对目标尺度的实验与分析，设计了SNIP方法，该方法实验证明，可以有效提高目标检测的精度

那么作者对目标尺度的分析到底有什么特殊发现呢？

作者对比了ImageNet以及COCO数据集中目标尺度的差异，目标的尺度统计结果如下图Figure 1所示，其中棕色线以及蓝色线分别对应于ImageNet以及COCO数据集的尺度统计结果，（两条线你可以理解为对尺度数量做累加，最后都会到1），根据统计结果发现，在ImageNet中，排在中位的尺度是0.554，但是在COCO中，排在中位的尺度是0.106，这就说明了在COCO数据集中，大部分的目标的尺度其实是小于图像面积的1%的。更糟糕的是，作者统计了COCO中最大的10%的目标以及最小的10%的目标的尺度，发现最小的10%中，最大的目标尺度是0.024，而最大的10%中，最小的目标尺度为0.472，两者相差了大约20倍，如图Figure 1中绿色箭头所示。这巨大的差异将成为detector需要面临的巨大的挑战。另外，在进行目标检测的时候，我们一般会采用ImageNet上训练的预训练模型作为检测模型的backbone，而训练imagenet我们常使用的尺度是224*224，而目标检测往往会采用更大一些的尺度，这种分类与检测中存在的尺度的巨大差异也将带来一定的问题，作者将其称为domain-shift，本篇文章主要就是解决的就是这两个问题。

目前在解决尺度变换以及小目标的问题上，已经存在一定的研究并且具有一定的成果，比如，FPN，将浅层特征与深层特征相结合来提高小目标的检测精度，dilated/deformable convolution，扩大检测的感受野来提高对大尺度目标的检测，还有在不同尺度的卷积层预测不同尺度的目标，以及利用多尺度训练或者多尺度inference等。虽然这些方法已经显著的改善了目标检测的结果，但是还有很多问题其实是没有被解决的，这里作者提出了两个疑问：

1. 为了检测小目标将图像放大是必要的吗？对于小分辨率图像，我们是否可以不放大图像，然后将stride调小一点呢？
2. 在进行检测器fine-tune的时候，我们是否应该只选择目标尺度在[64,256]范围内的进行训练，因为ImageNet的目标主要集中在该范围内，选择COCO数据集的所有尺度[16,800]进行训练，对效果会有影响吗？

带着问题，我们一起进行探索

问题一：对于小目标，是放大图像效果好还是调整stride效果好呢？

由于目前stage-of-the-art检测器多是在800*1200分辨率进行训练，inference的时候采用的是图像金字塔，这就包括了更高的分辨率1400*2000，那么为了提高小目标的检测，在inference阶段将图像放大来提高小目标的检测效果是否有效果呢？

这里作者在分类模型上进行了对比实验。

（1）作者将image图像分别缩放到48*48，64*64，80*80，96*96，128*128,然后在ImageNet上，用224*224训练的模型进行测试，以此来验证对小目标，直接放大后inference的效果，实验结果如下图Figure 4(a)所示，Figure 4(a)为top-1的accuracy，可以发现分辨率被缩放的越低，模型的效果实际上越差，换句话说就是，模型最适应的还是跟训练尺度一样的图像。

（2）那么既然小目标在分类中表现的不是那么理想，会不会是网络下采样的时候，把小目标的特征丢失了，那么我们是否可以采用多尺度的训练来强化小目标特征的学习呢？将各个尺度的图像都拿来训练。我们知道ResNet101网络的输入是7*7，stride=2的卷积，然后接一个3*3,stride=2的pooling结构，作者进行了如下修改，在输入图像为48*48的时候，使用3*3的卷积，stride=1，对于输入图像是96*96,则使用kernel size 5*5, stride=2. 这也就可以利用小卷积来get到小目标的特征了，实验结果怎么样呢？图Figure 4（b）中CNN-S，可以发现，还是有一定的效果的，比原来的模型效果提升了不少。

（3）又或者，我们直接将小图放大到224*224去fine-tune我们的模型，结果又会怎么样呢？实验结果如图Figure 4©CNN-B-FT，可以发现，实验结果比实验二还要好一些，说明将图像放大后，还是可以get到一些小目标的特征的。这就是我们平时在进行模型迁移时候的finetune的方法

既然在分类中对于小目标，直接放大到224后进行finetune的效果提升较好，那么在检测中会如何呢？

于是乎，作者在检测模型上进行了一系列实验

实验一：将图像放大到不同的尺度的效果对比，作者将COCO图像分别放大到800*1400以及1400*2000进行训练，然后在inference的时候，图像尺寸是1400*2000，实验结果如下表Table 1所示，其中800_all以及1400_all分别代表缩放到800以及1400的结果，结果如我们所预期，1400的效果要好一些，毕竟1400图像大，而且训练和测试在相同的尺度内。但是为什么效果提升的这么小呢？只有0.3个百分点。作者猜想原因可能是虽然我们将小目标放大了，但是对于原来本来就很大的图像，就会变得更大以至于较难正确的分类，所以模型的整体精度下降了一些。

实验二：那既然大物体会存在一定的影响，那么我们是否可以忽略大物体，只训练小物体呢，如图Figure 5-2所示，只用其中的小物体进行训练。很遗憾，结果显示，其效果还不如放大到800的效果好尼。。为什么会出现这个现象呢？主要应该是我们丢掉了很多的大样本，样本数量少了，多样性减少自然会产生一定的影响。

实验三：多尺度训练（Multi-Scale Training），那么既然忽略掉大物体不行，那怎么办呢？使用多尺度是一个解决方法，如图Figure 5(3)所示，将图像缩放到不同的尺度进行训练，这样既可以兼顾大物体又可以对小物体进行一定的优化，实验结果显示，其结果同样没有直接resize到1400的效果好，作者猜想应该是图像中的极大极小图影响比较大。

所以经过这一系列的实验，我们可以总结出，train一个detector，关键点是需要有合适的目标尺度，过大或者过小都会对其产生影响。

那么我们如何更好的兼顾大目标以及小目标呢？这就需要本文的重点SNIP出场。

SNIP(Scale Normalization for Image Pyramids)

SNIP采用的是MST(Multi-Scale-Training)的训练方式，我们知道在MST中，大目标在大图的时候识别的不好，小目标在小图的时候识别效果不好，如何屏蔽掉过大或者过小的目标，我们是否可以只训练在我们理想尺度范围内的目标呢？SNIP采用的方法是所有的目标全部参与到网络训练中，但是对于尺度不同的目标，SNIP设置了3个尺度，每个尺度只检测在自己尺度范围内的目标，并且为了减少domain-shift问题，每次训练SNIP只采用目标尺度在224*224尺度内的目标，而其他目标不参与。

其结果显示如表Table 1 ,其mAP相比较于MST要提高大约3个点，效果还是比较明显的。

具体怎么做的呢？

如下图Figure6所示，SNIP设置了3个尺度范围[s1,e1],[s2,e2],[s3,e3]，分别对应3个图像分辨率，然后在图像训练的过程中，如果gt的box大小在这个范围内，就被标记做valid，否则就被标记为invalid。然后在生成Anchor并给Anchor分配label的时候，检查该Anchor是否和某个invalid gt box的overlap超过0.3，若存在，则该Anchor会被视作invalid Anchor；若不存在，则会被视作valid Anchor，而这些invalid anchor在训练的时候都会被无效化，不会加入到反向传播的过程中，相当于在每个分辨率上，只对大小合适的目标参与训练，这也就符合了作者设计的初衷。相应的，在inference时候，根据图像尺度选择相应的detector，并且经过MST(multi scale train)后，将得到的结果进行rescale以及softNMS得到最终的结果。因为调整了RoI的分辨率与分类的分辨率几乎一致，所以网络fine-tune的效果也较好。

训练细节

SNIP选择的网络是Deformable-RFCN，并且选择了3个尺度，分别为[480,800]，[800,1200]，[1400,2000]，其对应的目标有效范围分别是：[120,120+]，[40,160]，[0,80]，其中包含40的重叠。

• RPN网络的一点改变
  为了提高RPN的效果，作者将conv4与conv5连接在一起，并且使用了7个anchor scales.

实验

下表是使用不同尺度方法的模型对比，其中Single scale是使用单一尺度进行训练和测试，单一尺度为（800,1200），MS Test是使用多尺度进行inference，MS Train/Test是使用多尺度进行训练以及使用多尺度进行测试，SNIP为本文方法，从测试结果可以发现，SNIP还是有明显优势的，较MS提高了2个点。

下表是RPN召回率的结果图，实验结果显示，Baseline的平均召回率只有大约57.6%，SNIP方法的平均召回率达到了64%。

下表是SNIP与其他检测网络的精度对比，在实验中，作者使用了DCN以及Soft-NMS.在D-RFCN中相比较于不使用SNIP，使用SNIP后平均精度提高了大约3.5%，观察表中，精度最高的是Faster-RCNN + SNIP（RPN+RCN）,backbone使用ResNet-101,平均精度达到了惊人的44.4%，小目标的建精度达到了56.9%。

总结

纵观本文，不仅仅作者的方法提高了目标检测的mAP，同等重要的是作者对数据的分析，以及详细的实验证明，从数据中发现问题，进而利用详细的实验证明，进而解决问题，这也是值得我们学习的解决问题的方法。大数据时代，从数据角度去优化模型，往往会比单纯的杠模型取得更好的效果。