目标检测 | 经典算法 Cascade R-CNN: Delving into High Quality Object Detection

作者从detector的overfitting at training/quality mismatch at inference问题入手，提出了基于multi-stage的Cascade R-CNN，该网络结构清晰，效果显著，并且能简单移植到其它detector中，带来2-4%的性能提升

论文: Cascade R-CNN: Delving into High Quality Object Detection

• 论文地址: https://arxiv.org/abs/1712.00726
• 代码地址: https://github.com/zhaoweicai/cascade-rcnn

Introduction

---

  目前的目标检测算法大都使用$u=0.5$的IoU阈值来定义正负样本，这是相当宽松的阈值，导致detector产生许多干扰的bndbox。如图(a)，许多人们认为大概率是负样本的框其实IoU都大于0.5。因此，论文希望研究出学习能尽量少包含接近负样本的bndbox的detector，如图(b)

  论文对不同IoU阈值的regressor和detector进行了实验。从图c可以看出，不同IoU阈值的detector对不同水平的bndbox的优化程度不同，bndbox IoU与detecor的训练阈值越接近，box regress提升越高。而在图d中，detector(u=0.5)在低IoU水平下比detector(u=0.6)表现优异，而在高IoU水平下则反之，而当u=0.7时，由于训练正样本的不足以及推理时输入的样本IoU较低，detector(u=0.7)的整体表现都降低了

  综上可以得出以下结论：

• 训练后的detector几乎总能提升Input bndbox的质量
• 单IoU detector对接近其训练IoU阈值的bndbox是最优的
• 单纯地增加训练时的IoU的阈值并不能直接提高detector的质量

  因此，论文提出了Cascade R-CNN来解决上面的问题。Cascade R-CNN是一个顺序的多阶段extension，利用前一个阶段的输出进行下一阶段的训练，阶段越往后使用更高的IoU阈值，产生更高质量的bndbox。Cascade R-CNN简单而有效，能直接添加到其它R-CNN型detector中，带来巨大的性能提升(2-4%)

Object Detection

---

Faster R-CNN

  目前经典的two-stage架构如图3(a)。第一阶段是一个提框的子网H0，用于生成初步的bndbox。第二阶段为特定区域处理的检测子网H1，给定bndbox最终的分类分数C和bndbox坐标B

Iterative BBox at inference

  有的研究者认为单次的box regress是不足以产生准确的位置信息的，因此需要进行多次迭代来精调bndbox，这就是iterative bounding box regression:

  实现如图3(b)所示，所有的head都是一样的，但是这个方法忽略了两个问题：

• 如图1所示，detector(u=0.5)对于所有的高质量的bndbox是次优解，甚至降低了IoU大于0.85的bndbox的准确度

• 图2为bndbox的$(x,y,w,h)$与GT间的差值分布，从图中可以看出，不同阶段的bndbox分布是显著不同的。若regressor对于初始化的分布是最优的，那对于在后面的阶段肯定是次优的

  因此，iterative BBox需要大量的手工操作，如box voting，而其结果不是稳定提升的。通常来说，对bndbox进行多于两次相同的regressor是几乎没有收益的

Integral Loss

  由于bndbox经常包含目标和一定的背景，因此很难去判定当前bndbox是否正样本

  常用的方法是判断其与GT的IoU，当IoU大于阈值时，则赋予其对应GT的label。但是阈值的设定是十分苦难的，当阈值过高时，正样本包含很少的背景，但是会导致难以生成足够多的正样本进行训练，反之，则会导致detecor容易产生close false positives。因此，很难找到一个单独的classifier能一致地对所有IoU的bndbox是最优的

  一种尝试的方法是使用一个分类器集合，如图3©所示，优化针对各种质量的bndbox的loss。$U=0.5,0.55,...,0.75$是根据COCO设定IoU阈值合集，按照定义，分类器在推理时再进行组装

  这种解决方法存在两个问题：

• 不同的classifer的正样本数量是不一样的，如图4所示，正样本的数量随着u的提高显著下降，这意味着高质量的classifiers容易过拟合
• 在推理时，高质量的classifers需要处理相对低质量的bndbox，而他们对这些bndbox并没有优化

  因此，Integral loss在很多IoU水平难以表现出高的准确率。相对于原始的two-stage架构，Integral loss的架构收益相对较小

Cascade R-CNN

Cascaded Bounding Box Regression

  由于很难训练一个能应付所有IoU水平的regressor，可以把回归任务分解成一个级联的regression问题，架构如图3(d)所示

  T是级联阶段数，每个regressor$f_t$对于当前的级联输入都是最优的，随着阶段的深入，bndbox在不断的提升。
cascade regression与iterative BBox有以下区别：

• iteravtive BBox是后处理的方法，而cascaded regression是能够改变bndbox分布的重采样过程
• cascaded regression在训练和推理时是一致的，不存在区别
• cascaded regression的多个regressor对于对应阶段的输入分布是最优的，而iterative BBox仅对初始分布是最优的

  Bndbox在回归时，为了对scale和location有不变性，将对坐标的学习转移到对坐标差值的学习。由于坐标插值通常较小，因此将其进行归一化${\delta }^{\prime }=({\delta }_x-{\mu }_x)/\sigma$，以权衡定位与分类的loss。Cascade R-CNN在每一个stage结束后，都会马上进行计算这些均值/方差

Cascaded Detection

  产生Cascade R-CNN的启发点主要有两个：

• 如图4的1st stage图所示，初始的bndbox分布大多落在低质量的区域，这对于高质量classifiers来说是无效的学习。
• 在图1©实验中可以看到，所有的曲线都高于对角线，即regressor都倾向于能够提升bndbox的IoU。

  因此，以集合$(x_i,b_i)$作为开始，通过级联regress来产生高IoU的集合$(x_i^{\prime },b_i^{\prime })$。如图4所示，这种方法能在提升样本整体IoU水平的同时，使得样本的总数大致维持在一个水平，这会带来两个好处：

• 不会存在某个阈值的regressor过拟合
• 高阶段的detector对于高IoU阈值是最优的

  从图2可以看出，随着阶段的深入，一些离群点会被过滤，这保证了特定阈值的detector的训练

  在每一个阶段t，都独立一个对阈值$u_t(u_t>u_{t-1})$最优的classifier $h_t$和regressor$f_t$，$b^t=f_{t-1}(x^{t-1},b^{t-1})$是上一阶段的输出，$\lambda =1$是权重因子，$[y^t\ge 1]$是指示函数，表示背景的$L_{loc}$不加入计算。与integral loss不同，公式8保证了顺序地训练detectors来逐步提高bndbox质量。在推理时，bndbox的质量是顺序提高的，高质量的detectors只需要面对高质量的bndbox。

Experiment

---

Implementation Details

  部分实验设置如下：

• 所有regressor都带分类，每一个cascade stage为相同的架构
• 共4个stage，一个为RPN，其余为$U=\{0.5,0.6,0.7\}$的检测器。第一阶段检测器为正常的RPN，其余阶段使用上一阶段的输出作为输入
• 使用垂直翻转的数据增强手段以及单一图片输入尺寸

Quality Mismatch

  图5展示了3个独立训练的detector的AP曲线，detector的IoU阈值分别为$U=0.5,0.6,0.7$，detector(u=0.5)在低IoU水平表现最好，detector(u=0.6)在高IoU水平表现最好，而detector(u=0.7)则整体表现较差。为了进一步解释图(a)的结果，论文添加GT到proposal集合得到了图(b)的结果，所有的detector的AP都提升，而detector(u=0.7)提升最大，且几乎全局最优。因此，可以得出以下两个结论：

• $u=0.5$不是一个好的选择，仅限于低质量bndbox
• 高质量的detector高质量的bndbox输入

  此外，图5(a)对比了以Cascade R-CNN的stage输出作为输入时detector的表现。当提升了输入的bndbox质量后，detector得到了明显的提升

  图6对比了各cascade detector在各stage上的表现。提高输入的质量后，各detector都得到了收益，如detector(u=0.7)从原来的AP=0.256提升为AP=0.383。此外，将图6和图5(a)对比可以得出，cascade联合训练的detector比单独训练的detector精度要高

Comparison with Iterative BBox and Integral Loss

  论文对比Cascade R-CNN与iterative BBox和integral loss detector，Iterative BBox连续使用3次FPN+进行实现，而integral loss detector则使用$U=\{0.5,0.6,0.7\}$的classification head

  Localization: 如图7(a)，单检测器的降低了高IoU输入的精度，当regressor对bndbox回归次数增加时，下降越明显。相反，cascade regressor则表现越来越好，几乎全面领先iterative BBox

  Integral Loss: 图7(b)展示了integral loss各classifier以及集成后的准确率(使用同一个regressor)，classifier(u=0.6)表现最好，而集成的classifier则没有任何收益

  Table1展示了三种优化方法与Baseline的准确率具体数值，在低IoU水平时，Cascade R-CNN的收益较少，而在高水平时收益十分显著

Ablation Experiments

  Stage-wise Comparison: Table2 总结了stage性能表现。由于multi-stage multi-task训练，1st stage性能已经有很好地提升，2rd stage和3rd stage则都维持在一个相对高的水平，集成的classifier性能最好

  IoU Thresholds: Cascade R-CNN的所有head均使用u=0.5阈值进行初始化，在后面的训练中才使用对应的bndbox进行训练。从Table3的第一行看出，cascade能够提升baseline的性能，这表明使用不同的stage优化不同的输入分布的重要性。第二行表明，随着IoU阈值的提升，detector能产生更多高质量的bndbox，减少close false positive的产生

  Regression Statistics: 渐进式地更新bndbox坐标差值的统计信息，从Table3可以看出，网络的训练对这些信息的统计不是十分敏感

  Number of Stages: Table4总结了stage数量对性能的影响。two-stage能显著地提升baseline的效果，而加入4th stage(u=0.75)后虽然高IoU水平的性能提升了，但却令整体性能有所下降。因此，three-stage是最好的折中方案

Comparison with the state-of-the-art

  Table5对比了Cascade R-CNN与主流的one-stage detector和two-stage detector的性能，从表格可以看出，Cascade R-CNN的性能提升是十分明显的，各方面都优秀

Generalization Capacity

  Detection Performance: 在所有的baseline detector上，使用Cascade R-CNN均有2～4%的提升，这表明Cascade R-CNN能广泛适用于多种检测器架构中

  Parameter and Timing: Cascade R-CNN的参数量增加跟stage数量有关，与baseline的detector head呈线性关系。此外，由于detector head的计算耗时相对于RPN是非常小的，Cascade R-CNN的额外计算开销比较小

Conclusion

---

  论文提出一个高质量的多阶段目标检测架构Cascade R-CNN，这个架构解决了训练时的过拟合问题以及推理时的IoU mismatch问题。Cascade R-CNN适用于各种detector baseline，带来可观的性能提升

写作不易，未经允许不得转载～
更多内容请关注个人微信公众号【晓飞的算法工程笔记】