[目标检测知识蒸馏1] [NIPS17] Learning Efficient Object Detection Models with Knowledge Distillation

什么是知识蒸馏？

• 知识蒸馏是指从大模型（Teacher model）中学习到有用的知识来训练小模型（Student model），在保证不损失太多性能的情况下，进行模型压缩。
• 最早是为了解决模型压缩（轻量化）问题。
• 在蒸馏过程中，student model 学习到 teacher model 的泛化能力，保留了接近 teacher model 的性能。 在保留精度的同时，能压缩模型，提升速度。但只在分类任务上得到了印证，在更复杂的 object detection 上还有待探索。

目标检测中的知识蒸馏

• 目标检测任务 label 信息量更大，根据 label 学到的模型更为复杂，压缩后损失更多；
• 分类任务中，每个类别相对均衡，同等重要。而目标检测任务中，存在类别不平衡问题，背景类偏多；
• 目标检测任务更为复杂，既有类别分类，也有位置回归的预测；
• 现行的知识蒸馏主要针对同一域中数据进行蒸馏，对于跨域目标检测的任务而言，对知识的蒸馏有更高的要求。

---

[NIPS17] Learning Efficient Object Detection Models with Knowledge Distillation

Introduction:

主要是通过设置三个 loss 函数，分别对 backbone、cls head、reg head 进行蒸馏：

• 对于 backbone: 使用 hint learning进行蒸馏，增加一个 adaptation layers，让 feature map 的维度匹配；
• 对于分类任务：使用 weighted CE Loss 解决类别失衡严重问题；
• 对于回归任务：除了原本的 smooth-${\ell }_1$ loss，增加 teacher bounded regression loss。
  

Method

教师网络的知识提取分为三点：**中间层 Feature Maps 的 Hint；RPN/RCN 中分类层的 knowledge；以及RPN/RCN 中回归层的 knowlege。**具体如下：
$$\begin{gathered} L_{RCN}=\frac{1}{N}\sum _i{L}_{cls}^{RCN}+\lambda \frac{1}{N}\sum _j{L}_{reg}^{RCN} \\ {L}_{RPN}=\frac{1}{M}\sum _i{L}_{cls}^{RPN}+\lambda \frac{1}{N}\sum _j{L}_{reg}^{RPN} \\ L=L_{RPN}+L_{RCN}+\gamma L_{Hint} \end{gathered}$$

• $N$ 和 $M$ 分别是对应部分的batch-size大小，$\lambda$ 和 $\gamma$ 是超参数（这里分别设定为 $1$ 和 $0.5$）；
• $L_{cls}$ 包括 hard target 和知识蒸馏中的 soft target；
• $L_{reg}$ 包括 smooth-${\ell }_1$ 和新提出的 teacher bounded ${\ell }_2$ regression loss；
• $L_{Hint}$ 为主干网络的损失。

分类任务中的类别不均衡现象

教师网络和学生网络的输出分别如下：
$$\begin{gathered} P_t=\text{softmax}(\frac{Z_t}{T}) \\ {P}_s=\text{softmax}(\frac{Z_s}{T}) \end{gathered}$$
学生网络的优化损失如下：
$$L_{cls}=\mu L_{hard}(P_s,y)+(1-\mu )L_{soft}(P_s,P_t)$$

• $L_{hard}$ 是用 gt 监督的 Cross Entropy
• $L_{soft}$ 是用教师网络的信息监督的 soft loss。

分类任务中， 分类错误只会来自 foreground categories。目标检测中的分类子任务，background and foreground categories 都会导致错分。

• 对于分类损失中的 background 误分概率占比较高的情况，提出增大蒸馏交叉熵中背景类的权重来解决失衡问题。
  $$L_{soft}(P_s,P_t)=-\sum w_c{P}_t\text{log}{P}_s$$

回归任务

对于回归结果的蒸馏，**regression direction 可能和 gt 相差较大：**由于回归的输出是无界的，教师网络的预测方向可能与 gt 的方向相反。因此，将教师的输出损失作为上界，当学生网络的输出损失大于上界时，计入该损失；否则不考虑该 loss。
$$\begin{gathered} L_b(R_S,R_t,y)=\{\begin{array}{ll}\Vert R_s-y{\Vert }_2^2,& \text{if}\Vert R_s-y{\Vert }_2^2+m>\Vert R_t-y{\Vert }_2^2\\ 0,& \text{otherwise}\end{array} \\ {L}_{reg}=L_{smooth-{\ell }_1}(R_S,y_{reg})+\nu L_b(R_s,R_t,y_{reg}) \end{gathered}$$

• m is a margin，权重 $\nu =0.5$；
• $y_{reg}$ denotes the regression ground truth label，是 proposal 和 gt 之间的回归量；
• $R_t$ 和 $R_s$ 分别是 teacher 和 student 网络学出来的回归量；
• $L_{smooth-{\ell }_1}$是普通的 smooth ${\ell }_1$ 回归 loss。

Hint learning with Feature Adaption

论文中证明，using the intermediate representation of the teacher as hint can help the training process and improve the final performance of the student.
$$L=L_{RPN}+L_{RCN}+\gamma L_{Hint}$$
其中 $L_{Hint}$是学生网络 backbone 的loss：
$$\begin{gathered} L_{Hint}(V,Z)=\Vert V-Z{\Vert }_2^2 \\ {L}_{Hint}(V,Z)=\Vert V-Z{\Vert }_1^2 \end{gathered}$$
变量 $V,Z$ 分别是教师网络和学生网络的 feature map（全 feature imitation），需要加入 adaption layer 使得二者维度相同。

Experiment