[2022AAAI]Knowledge Distillation for Object Detection via Rank Mimicking and ... 论文笔记

论文全名有点长，题目放不下了：
Knowledge Distillation for Object Detection via Rank Mimicking and Prediction-guided Feature Imitation
已经被AAAI2022接收。

摘要

出发点：student性能差的两个原因：

1.候选框排序差别很大，如下图所示。对于简单的目标(图1a)，两个模型的最终留下的bbox是由同一个anchor(对于anchor-free方法而言是anchor points)回归的。但是对于难一点的框却不是(图1b)，这说明对于难例样本，两者的anchor置信度排名不一样，作者将这个排序信息用于知识蒸馏中。

图1

2.student和teacher的特征和预测之间都存在着很大的gap，所谓的特征差异性(P_dif = P_tea - P_stu)和预测差异性(F_dif = F_tea - F_stu)，作者是直接通过特征图相减得到的。问题的关键是：这个gap的位置还不一样(图中inconsistency处)，这说明了虽然这一部分区域特征差异性很大，但是预测差异性很小，此处的特征差异性根本不用蒸馏，，这个发现确实让人眼前一亮。因此，作者提出了预测指导特征模仿的思路，用预测差异性来指导特征模仿学习。

基于上述两个问题，作者提出了Rank Mimicking(RM)和Prediction-guided Feature Imitation (PFI)两个点来对一阶段的检测器进行蒸馏，前者将teacher对候选框的排名作为一种待蒸馏的知识，后者用预测结果差异性来计算特征差异性，进而student模型的提高检测结果。

Method

首先简单介绍了一些比较通用的做法，包括分类结果蒸馏和特征蒸馏。分类那提了一下交叉熵损失，然后讲了一下Hinton提出的用teacher模型的类别结果作为软标签，以KL散度作为损失的过程。

Rank mimicking

基于出发点1，作者提出了Rank mimicking。

作者认为softlabel+KL散度的方式在检测中效果不好的原因主要有两个：一是许多检测方法在计算分类损失时都将80类分类问题(CEloss)转化为80个二分类问题(BCEloss)，即：在计算损失时采用的BCEloss，而非CEloss，用BCEloss就抛弃了不同类别之间的结构关系(没有softmax，不同类别的概率和不为1)。二是不同许多检测器将类别分数作为NMS期间box排序的一部分，因此软标签可能会导致类别置信度不好，从而导致NMS结果不好，从而降低检测性能。

作者的做法是，对于一个目标j，假设有N个anchor负责对该个物体进行预测(该N个anchor称为该个物体的positive anchor)，那么对于student和teacher网络，均将这N个anchor的预测的类别分数取出来，然后分别对student模型和teacher模型的N个正anchor类别分数进行softmax，即左边公式。这样就将获得N个正anchor的预测分布。再利用KL散度让teacher和student的N个正anchor的分数分布一致，即右边这个公式。其中M表示当前图像中的待检测目标格式。

​

这样做的意义是，teacher模型的N个正anchor中，某个分数高，那么我要求student模型的该个anchor的分数也高，低的话同理。两个模型对于所有positive anchor的预测类别分数具有同样的分布。与hinton的softlabel方法相比，这种方法将所有正anchor作为一个整体，用KL散度去蒸馏他的分布情况，而softlabel方法忽略了不同anchor的分数之间的内在联系。

除了学习分类分数的分布外，还可以要求学习回归的分布情况，操作应该一样的，但是回归一般会回归四个量，分类分布+四个回归分布，一共五个，损失有点多…但是作者实验表明点会提高

值得注意的是，上述是对分类结果进行蒸馏，而且也用到了标签信息和标签分配情况，来寻找positive anchor。

Prediction-guided Feature Imitation

预测差异大的区域承载着学生落后于老师的原因，因为我们最后只要预测结果，不会去管中间特征层。但是从上面的右图可以看到，预测差异大的位置特征差异可能会很小，而预测差异小的位置特征差异可能会很大，如果直接进行无差别的特征蒸馏，那显然那些特征差异比较大、预测差异比较小的区域会在反向传播中占据主导地位，这导致特征蒸馏效果差，甚至会伤害student的训练。

其实看到文章出发点和这个模块的名字就想到这里会怎么设计了。即：用teacher和student模型所有的预测类别分数差的l2距离来表示两个模型的预测差异性，即左边式子。其中c代表类别数，得到的P是一个H×W的mask(PFI mask)，某个点的值越大，则代表S和T的预测差异性越大。这个思想与FRS、GID都有点像，GID也是用分数差来代表两个模型的预测差异性，而FRS是用teacher的分数作为特征丰富度mask进行特征蒸馏学习。然后再利用该mask作为每个像素点的权重来指导FPN处的特征蒸馏，即后面两个式子：

总损失

包含上述两个部分和gt loss。α=4，β=1.5。

实验

作者分别做了以R50-R18作为teacher=student对，在RetinaNet、FCOS、ATSS、GFL上的试验，Rank mimicking大部分能提高不到一个点，Prediction-guided Feature Imitation能提高2个点出头，两个损失一起能提高更多一点。还有以RetinaNet作为检测器的R101-R50、mbv2-mbv2half实验。

用作者提出的PFI mask也比不用mask、用gtmask、只用positive samples和只用negative samples的效果好。其中点数是positive mask < negative mask < gt mask < while map < PFI。

与Fitnet、FGFI、GID、DeFeat相比，该方法效果也更好。

总结

作者的发现属实让人眼前一亮，即预测差异性较小的地方，其特征差异性可能很大，反之亦然。其次，student和teacher的anchor的置信度排名也确实会影响到NMS。这是本文的两个出发点，没啥毛病，尤其是第一个出发点，如果论文说的这种情况普遍存在的话，那之前的很多特征蒸馏算法是不太合理的，但是从本论文的点数来看应该不至于。

针对第一点，作者对以预测差异性作为mask，利用该mask来进行特征蒸馏学习。针对第二点，作者将每个目标的N个正anchor的预测分数通过softmax转化为一个概率分布问题，然后利用KL散度来让两个模型的分布相同。

我感觉第二个出发点提点少的一个原因是，可能对于student模型而言，可能最终的预测结果是由负anchor提供的，如图1左边的猫的边界框所示，两个模型的预测结果中心点隔这么远，可能student模型的bbox就是负anchor回归而来的，此时对正anchor的分数分布情况进行蒸馏是对该个目标的检测没有帮助的。由此衍生的一个问题是，一些负anchor的分布情况是否也有蒸馏价值？其次，如果一个目标分配得到的anchor很少，那也这个KL散度能传授的知识也很有限。