【计算机视觉】《Light-Head R-CNN: In Defense of Two-Stage Object Detector》

Light-Head R-CNN: In Defense of Two-Stage Object Detector

本文仅为仙道菜记录笔记之用，细节不对之处，欢迎批评指正。

更多相关博客请猛戳：https://zhuanlan.zhihu.com/cyh24

如需转载，请附上本文链接，谢谢!

这篇 文章 从题目上看就一目了然: 捍卫two-stage object detector.

我们知道Object detection分为两大门派：

• 一类是two-stage detector (Faster RCNN, Mask RCNN等): 第1步是生成proposals，第2步是对这些proposals进行分类、回归.
• 另一类是singel-stage detector (YOLO, SSD等): 这些算法一步到位，可以理解为把object detection task 简化成了regression problem.

通常来说，前者检测精度高，后者检测速度快。随着YOLO、YOLOv2、SSD等速度极快且精度不错的one stage detector的出现，大家似乎对RCNN family的青睐少了很多。毕竟，真正应用落地的时候，speed 显然是非常重要的一点。讲实话，如果你不是为了刷榜，这些one stage detector 算法的精度也确实够用了，更何况速度真的是快了好多。

但就个人而言，我认为single-stage的上限是低于two-stage的，一直很想看到优化two-stage detector速度的工作，所以非常喜欢这篇文章：idea 虽然不大，但是实验做的非常好，手动点赞！

---

Abstract

在这篇文章里，作者主要分析了：

1. 为什么two-stage detector会慢，主要慢在哪？
2. 如何在解决速度慢同时保证精度？

文中，作者把 two-stage 拆解成 body 跟 head:

• body: 生成proposal(RoI)的过程, 即: ROI warping.
• head: 基于proposal的recognition过程, 即: RCNN subnet.

作者认为，目前的算法，为了追求best accurcy，一般都会把head设计的非常heavy，所以即使我们把前面的base model变小，还是无法明显提升检测速度。

这篇文章的重点，就是如何对head进行瘦身。通过light head以及其他trick:
- 作者用Resnet-101作为base model，拿到了COCO-2017的冠军。
- 更重要的是，作者用了轻量级的Xception作为base model，达到了30.7 mmAP，并且速度达到102FPS，从speed到accuracy都全面击败现有的single-stage的算法。

上个图，大家自行感受一下这篇文章在speed与accuracy之间的trade-off做的有多好:

---

Light-Head R-CNN

上文提到，作者把two-stage分成了body(RoI warping) + head(RCNN subnet)，并且指出，head太heavy是造成two-stage效率低的主要原因。我们来看一下典型的two-stage detector结构：

RCNN subnet of Faster RCNN

上图为base mode是Resnet-101的Faster RCNN的网络结构：

1. 首先是用Resnet-101提取特征，得到channel数为2048的feature map.
2. 然后，由RPN产生的每个RoI经过RoI pooling 得到固定大小的feature map。
3. 每个RoI对应的固定大小的feature map，都要通过RCNN-subnet，得到最终的分类、回归结果。

每个RoI都要通过RCNN-subnet计算一次，而且为了保证精度，Faster R-CNN 用的RCNN-subnet通常是两个很大的FC（或者resnet 的第5个stage），这样的做法是非常耗时的。

为了提速，通常RoI feature map后面会采用global average pool. 这样做的目的是为了减少第一个FC层的计算量，但是会丢失一些spatial localization的信息，不利于目标bbox回归。

RCNN subnet of R-FCN

针对Faster-RCNN中每个RoI都要重复计算的情况，R-FCN 做了一些优化。

在R-FCN中：

1. 同样地，经过Resnet-101得到channel数为2048的feature map.
2. 然后，采用1x1的卷积核，得到Position-sensitive feature map（channel: P^2（C+1））.
3. 每个RoI经过一个PSRoI Pooling层得到feature map（size: P*P，channel: C+1）. 再经过一个global average pool层得到每个RoI的prediction.

可以看到，R-FCN的RCNN-subnet很小，只包含了global average pool，所以它会比Faster-RCNN快。但是，为了让得到的feature map具有Position-sensitive的特点，需要满足它的channel数是P^2(C+1)。在COCO数据集上，相应的channel数是3969，这就必然还是会造成很大的时间和存储的开销。

RCNN subnet of Light-head RCNN

上图为本文中提出的改进结构，可以看出基本是在R-FCN的基础上进行修改的。不同的地方在于：
1. 作者采用large separable convolution生成channel数更少的feature map (从3969减少到490)。
2. 用FC层代替了R-FCN中的global average pool，避免空间信息的丢失。

文中所说的large separable convolution 应该是借鉴了Inception 3的思想:

Inception 3中将大小为k*k的卷积核，用1*k和k*1的两层卷积来代替。
使用这种卷积替换之后，可以在计算结果一致的前提下，减少计算量。减少的计算量，大致为原来的k/2，文中作者将k取15，因此这里大大减少了计算了。当然，计算复杂度还跟 C_mid 和 C_out 有关。

---

Experiments

作者在8块Pascal TITAN XP GPUs上跑的COCO的实验。

Implementation Details

• synchronized SGD with weight decay: 0.0001, momentum: 0.9.
• Each mini-batch has 2 images per GPU.
• Each image has 2000/1000 RoIs for training/testing.
• Pad images within mini-batch to the same size by filling zeros into the right-bottom of the image.
• Learning rate: 0.01 for first 1.5M iterations and 0.001 for later 0.5M iterations.
• Adopt atrous algorithm in stage 5 of Resnet.
• Adopt OHEM.
• Backbone network is initialized based on the pre-trained ImageNet.
• Pooling size: 7.
• Batch normalization is also fixed for faster experiment.
• Data augmentation: Horizontal image flipping.

---

Ablation Experiments

这部分是整篇文章我最喜欢的部分，实验做的很好。不过，具体的对比实验还是应该看看原文。这里我简单总结一下实验结论。

Baselines

作者通过R-FCN的开源代码，在COCO mini-validation set上得到了mmAP 32.1%的baseline，记为B1. 又通过一些改进，得到一个更好的R-FCN baseline，记为B2. 主要的改进是：

• 对图像进行resize，将shorter edge设为800，同时限制max size为1200.
• 由于图像变大了，所以采用新的anchor: {322, 642, 1282, 2562, 5122}.
• 发现在R-CNN中，regression loss会比classification loss小很多，因此将regression loss*2.
• Each image has 2000/1000 RoIs for training/testing.

效果非常显著，这些简单的改进之后，R-FCN就提升了3%，如下图：

Thin feature maps for RoI warping

为了研究数量更少的feature map对结果的影响，作者又做了一组实验。除了以下两点，跟R-FCN基本一致：

1. 减少feature map channel，从3696(81*7*7)减少到490(10*7*7).
2. 由于改变了feature map channel数，导致无法直接通过global average pool进行prediction，因此加了一个FC层。

实验结果如下：

这是符合预期的，channel 数少了必然会导致精度的下降。

Large separable convolution

上述的实验减少了channel数，但用的还是R-FCN中1*1的卷积核。为了验证Large separable convolution带来的影响，作者在上一组的实验基础之上，将1*1卷积核，换成了Large separable convolution. 同时令：k = 15, Cmid = 256, Cout = 490.

用了large separable convolution，虽然channel数减少了，效果却提升了0.7%.

R-CNN subnet

分别介绍了thin feature map和large separable convolution的效果，下面是将这二者结合后的效果：

精度得到了大幅提升，mmAP达到了37.7%. 更重要的是，由于thin feature map以及light RCNN-subnet，使得即使有数千个RoI，算法仍然很快。

Light-Head RCNN 可以有多精准？

为了提升算法精度，作者又加入了其他trick，分别是：

• 在PSRoI pooling中加入RoIAlign (Mask-RCNN) 中的插值技术，提升了1.7%.
• 将NMS threshold从0.3改成0.5之后，提升了0.6%.
• 使用multi-scale进行training，提升1%.

最终，在COCO test-dev数据集上，达到了如下的performance：

Light-Head RCNN 可以有多快？

为了平衡精度与速度，作者做了如下一些改变：

1. 用Xception代替Resnet-101.
2. 弃用atrous algorithm.
3. 将RPN channel减少一半到256.
4. Large separable convolution: kernel size = 15, Cmid = 64, Cout = 490 (10 × 7 × 7).
5. 采用 PSPooling + RoI-align.

采用上述trick之后，能够在COCO上达到102FPS，同时达到30.7% mmAP的精度。可以说是非常厉害了!

Conclusion

总结一下这篇文章，作者主要有以下几个改进点：

1. Large separable convolution + Thin feature map 提升算法速度。
2. 用FC来代替global average pooliing来减少空间信息的丢失，提高精度。
3. 加入其它trick，例如: PSRoI pooling with RoIAlign、multi-scale training、OHEM 等来进一步提升精度。