【行人检测】High-level Semantic Feature Detection: A New Perspective for Pedestrian Detection/CSP

论文：《High-level Semantic Feature Detection: A New Perspective for Pedestrian Detection/CSP》 CVPR2019

论文地址：https://arxiv.org/abs/1904.02948v1

代码：https://github.com/liuwei16/CSP

非官方pytorch实现： https://github.com/lw396285v/CSP-pedestrian-detection-in-pytorch

原文链接：https://blog.csdn.net/iSleepyPig/article/details/89288326

1、概述

 传统的目标检测大多基于滑动窗体或者先验框方式，而无论哪个方法都需要繁杂的配置。随着深度学习技术的发展，一般认为深度学习提取的特征具有高级语义特性。作者认为行人检测中行人的中心点（x，y坐标）和尺度（宽高）是一种高级语义特征，行人检测完全可以转化为这些语义特征的检测。

本文中所介绍的检测器（CSP--Center and Scale Prediction），以行人检测为例，提出了一个高级语义特征检测的新视角。CSP放弃传统的窗体检测方式，通过卷积操作直接预测行人的中心位置和维度大小，结果显示CSP在准确率和速度上都有显著提高。

 

2、结构设计

 CSP整体结构如图一所示，其中主干网络部分缩减自一个标准的网络结构（如：ResNet-50 和 MobileNet），并且在ImageNet上预训练过。主要分成两部分：Feature Extraction和Detection Head。

2.1 Feature Extraction

    以ResNet-50为例，以每次下采样为界将其卷积层分为五个阶段，每个阶段的大小是原图以缩减因子分别为2,4,8,16,32得到的缩略特征图。并且在第五步采用空洞（Deconv）卷积，最终得到的特征图大小与第四阶段一致，是原图的1/16。

    因为浅层含有更加准确的位置信息，深层拥有更多的语义信息，所以作者将不同阶段的特征图串联成一个。又因为图片特征图大小不一，所以采用反卷积方式将图片转换成相同大小后再做串联操作。因为不同的特征图含有的数据维度也是不相同的，所以我们还要先使用L2标准化将其标准差变更为10。

2.2 Detection Head 

    在这个部分中，作者首先对Feature Extraction部分得到的特征图做卷积操作，将其通道数缩减至256，然后添加两个并行的卷积层，卷积核大小是1x1，分别生成中心点热力图和维度大小预测图。
   下采样特征图的缺点就是位置信息不准确，为了减少误差，可选择稍微调整中心位置，在上述两个并行的分支加上额外的偏移量预测分支。

3、训练

3.1 Ground Truth  

     最终得到的预测图与Feature Extraction部分得到的特征图大小一致(H/r X W/r)，所以我们训练数据也要做相应的压缩。实际的训练数据如图3（a）所示，给出了标记行人的bounding boxes，但是CSP并没有采用滑动窗体或者先验框的方式来预测物体，所以这种标记方式不适用与CSP，所以作者对原数据做了一些调整。

    对于位置信息，作者将bounding boxes中心像素点标记为positive，其他点则标记为negative。对于维度大小信息，因为bounding boxes采用了固定的纵横比0.41，所以此处用高度信息代表bounding boxes的维度大小，这样在预测中也只需要预测高度信息。其中第k个标记为positive的点，还会分配到一个log(hk)值，代表第k个bounding box的高度。同时，为了降低不确定性，将该点半径两个像素值以内的negative点都指派为log(hk)值。如图3（b）所示。
 

 如果加上了偏移量预测分支，这些中心点的偏移量可以定义成：

3.2 Loss Function

    损失函数包含两个部分，第一部分是预测中心点位置的损失，第二部分是预测维度大小的损失。

    在预测中心点位置时，作者将其视为一个分类问题。由于很难预测到一个准确的像素点，这样在训练中，positive点附近的点就会带来较多的误差，不利于网络的训练。为了减少这种不确定性带，作者采用了在positive点上添加二维高斯掩膜。如图3（c）所示，具体计算方式如下：

 其中，K代表图片中目标数量, (xk,yk,wk,hk）代表k物体的中心点坐标、宽度和高度。方差( , )与物体的宽和高对应成比例。如果掩膜有重叠，则选值高的那个。

    因此，中心点预测损失函数是：

其中：

在上述公式里，pij∈[0,1]是预测当前像素点是中心点的可能性，yij∈{0,1}是ground truth标签，yij=1代表该像素点被标记为positive，yij=0表示该点为negative。通过参数αij减少positive附近的negative点对总体损失函数的影响，经过多次实验将γ设置为2，将β设置为4。

（这里我认为是在中心点预测时，很难准确找到该点，所以网络把positive点附近的各个negative预测为positive的可能性很大，这样所有点加起来就会贡献较大的误差，网络的拟合效果不佳。而使用高斯掩膜之后会减少附近negative点所带来的误差影响，有利于网络训练。）

    对于维度大小的预测，作者将其视为回归任务，具体损失计算如下：

其中，sk和tk分别代表每个positive点的预测值和真实值。（上文有提到将positive附近半径在2以内的negative都赋值log(hk)，我认为理由同上，减少中心点不确定所带来的影响）

    如果添加了偏移量预测分支，其损失计算也是使用SmoothL1损失函数，标记为Loffset。

    最终的损失函数为：

其中λc设置为0.01，λs设置成1，λo设置成0.1。

3.3 Inference

    在测试时，CSP只运行一次前向的FCN，得到多个预测值，具体而言，保持中心点预测热力图中置信度大于0.01的点，以及在维度预测图中的相应维度，然后自动生成边界框并且映射到原始图像大小。接着使用NMS（非极大值抑制）算法，阈值设置为0.5。

4、实验

    这部分内容作者进行了一系列对比实验，主要对比预测点的选择（中心点、上顶点、下顶点）：

 框体维度值预测（高度、宽度、高加宽）：

特征值分辨率（r=2,4,8,16）：

特征图的组合（Φ2、Φ3、Φ4、Φ5的搭配组合）：

最后，作者给出了在Caltech数据集上的实验结果对比图：

在CityPersons数据集上的结果对比图（红色和绿色分别表示结果最优和其次的值）：