SCRDet——对小物体和旋转物体更具鲁棒性的模型

引言

明确提出了三个航拍图像领域内面对的挑战：

• 小物体：航拍图像经常包含很多复杂场景下的小物体。
• 密集：如交通工具和轮船类，在航拍图像中会很密集。这个DOTA数据集的发明者也提到在交通工具和轮船类的检测中，模型的检测效果很差
• 任意方向角：航拍图像中的物体通常有多种多样的朝向。遥感中普遍存在的大宽高比问题进一步对其提出了挑战。

Faster R-CNN是在此领域内大家常用的两阶段目标检测模型，但是它更加适用于水平bbox的目标检测。而作为后处理模块的NMS也抑制了密集分布的任意朝向的物体的检测。

paper中提出的SCRDet模型，包含以下三个主要改进部分：

• 对于小物体检测的问题，提出了SF-Net进行特征融合和anchor采样
• 对于背景噪声多的问题，提出了MDA-Net去抑制噪声和加强前景
• 对于任意方向角的密集检测问题，通过增加一个与角度有关的参数来建立一个角度敏感的网络模块

模型介绍

SCRDet模型的基本结构如下图所示，paper中将其称为一个两阶段的方法，其中第一阶段使用SF-Net和MDA-Net提取出包含更多特征信息和更少噪声的特征图，但这个阶段回归的还是水平框。在第二阶段使用R-NMS方法回归出斜框，最终完成斜框预测的任务。

1. 采样和特征融合网络（SF-Net）

   作者认为在小物体检测中的两大障碍为：物体的特征信息不充分以及anchor的采样不够充分。由于小物体在深层网络中更容易丢失自己的特征信息，所以在池化层中会将小物体的特征信息丢失掉很多。且采样步长过大也会导致在采样时跳过很多小物体，导致不充分的采样。

   首先是特征融合，由于低层次的特征图能够保留更多小物体的特征，所以基于以上特点有FPN、TDM、RON等特征融合的方法可以使用。

   其次是anchor采样，当使用更小采样步长的时候，经过实验证明可以取得更好的EMO score(expected max overlapping score)。如下图所示，使用\(S_A = 8\)的步长能够更好的检测出小物体。

   基于以上两个分析，提出SF-Net的模型结构如下图所示。
   

   其中，通过三个尺寸的采样得到三个不同的特征图，SF-Net仅仅使用C3和C4的特征图信息，将两者合并以平衡语义信息和位置信息的比例，其中C4特征图还经过一个Inception模块来扩大它的接受范围和增加它的语义信息。最终得到一个F3特征图，其\(S_A\)是期望的anchor步长

   根据步长的变化，模型在DOTA数据集上的表现如下所示。可以看出最终特征图的步长越小，mAP的值越高，训练时长也越长。
   

2. 多维注意力网络（MDA-Net）

   由于真实世界的数据的复杂性，使用原本的方法选出来的候选区域可能包含了很多的噪声信息。如下图所示，这种噪声信息很大程度上模糊了候选区域的边界。

   处理噪声问题的传统方法都是采用非监督的算法进行的，这种算法的效率不高。在SCRDet模型中，作者设计了一个多维注意力网络MDA-Net。结构如下图所示：
   

   在基于像素的注意网络中，特征图F3通过具有不同大小卷积核进行卷积运算，学习得到双通道的显著图。这个显著图显示了前景和背景的分数。选择显著图中的一个通道与F3相乘，得到新的信息特征图A3。需要注意的是，Softmax函数之后的显着图的值在[0,1]之间。换句话说，它可以降低噪声并相对的增强对象信息。由于显著图是连续的，因此不会完全消除背景信息，这有利于保留某些上下文信息并提高鲁棒性。

3. 表示方法

   论文中采用了另一种五元组表示斜框的方法\((x, y, w, h, \theta)\)。其中\((x,y)\)表示斜框中心点的坐标。\(w\)和\(h\)表示斜框矩形的长宽，\(\theta\)表示斜框的倾斜角度。
   

   则回归的计算方式如下：

   \[t_x = (x-x_a)/w_a, t_y = (y-y_a)/h_a \\ t_w = log(w/w_a), t_h = log(h/h_a), t_{\theta} = \theta - \theta_{a} \]

   其中最终的预测结果是由R-NMS过程的proposal得到的，将proposal的结果进行顺时针旋转后，再进行长宽调整，得到最终的predict box。我们通过上述式子得到预测框和真实框的两个回归结果，下一步将它们的结果放入损失函数中计算损失。

4. 损失函数

   如上图所示，如果我们要将proposal，即蓝色框回归到预测的位置（红色框）上，最简单的方法就是将其逆时针旋转。但是这种方法的回归损失非常大（由于我们设定的是顺时针旋转，此时按照单一旋转的方法回归到红色框就会使角度变化很大）。此时我们可以采用另一种思路，即将蓝色框回归到下图灰色框的位置，然后调整灰色框的长和宽。
   

   这种损失会使得计算更加麻烦，为了更好地解决这个问题，作者在传统的smooth L1 损失函数中引入了IoU常数因子。整体的损失函数表达如下所示：

   \[Loss = \frac{\lambda_1}{N}\sum_{n=1}^{N}t^{'}_n\sum_{j\in （x,y,w,h,\theta） }\frac{L_{reg}(v^{'}_{nj}, v_{nj})}{|L_{reg}(v^{'}_{nj}, v_{nj})|} * |- log(IoU)| \\ +\frac{\lambda_2}{h \times w}\sum_i^h\sum_j^wL_{att}(u^{'}_{ij}, u_{ij}) + \frac{\lambda_3}{N}\sum_{n=1}^NL_{cls}(p_n,t_n) \]

   其中，\(\lambda\)参数使用来调整各部分损失比例大小的。\(N\)代表了proposal的数量，\(t^{'}_n\)是一个二进制值（当其为1是表示前景，为0是表示背景）。v向量表示了斜框用\((x,y,w,h,\theta)\)五元组表示方法表示出来的向量，u向量表示了预测结果和真实结果之间的像素相关性。IoU表示了预测框和真实框之间的重合。

   三个回归函数分别为：\(L_{reg}\)为位置损失，使用smooth L1损失、\(L_{att}\)为注意力损失，使用交叉熵损失、\(L_{cls}\)为分类损失，使用softmax损失。

   关于IoU的进一步解释：由于IoU表示了预测框和真实框之间的相近程度，那么它自然满足一个属性：当预测框和真实框之间越相近时，它的值越接近于1。这样就可以用一个恒为正的值\(\log(IoU)\)来控制当前的梯度大小问题。我们可以将\(\frac{L_{reg}}{|L_{reg}|}\)看做一部分，它代表了当前梯度下降最快的方向向量，而把\(-log(IoU)\)看做控制梯度大小的一个变量，这样使得损失函数更加连续。

   下面是使用两种loss函数的结果对比。可以看出使用IoU-smooth L1 loss的模型预测的结果更加好。
   

   导致(a)这种结果的根本原因是角度的预测超出了所定义范围。其实解决这种问题的方法并不唯一，RRPN和R_DFPN在论文的loss公式中就判断了是不是在定义范围内，通过加减\(k\pi\)来缓解这个问题，但这种做法明显不优美而且仍然存在问题，主要是较难判断超出预测范围几个角度周期。当然可以通过对角度部分的loss加一个周期性函数，比如\(tan\)、\(cos\)等三角函数来做，但实际使用过程中常常出现不收敛的情况。

总结

1. MDA-Net：作用体现在对去噪的效果以及特征的提取上
2. SF-Net：作用体现在对小物体的检测上
3. IoU-smooth L1 loss：作用体现在回归时消除边界影响
4. image pyramid：作者在论文中并没有详细说明这一方法，其实就是将图像似金字塔般resize成多种形状传入模型中进行学习，这样也是一个提高性能的好方式。