论文解读 Learning Data Augmentation Strategies for Object Detection
目录
- Learning Data Augmentation Strategies for Object Detection
-
- Motivation
- Method
- 实验结果
- 结论
Learning Data Augmentation Strategies for Object Detection
今天介绍一篇来自 Google Brain 团队的工作 “Learning Data Augmentation Strategies for Object Detection”，作者是 Barret Zoph, Ekin D. Cubuk, Golnaz Ghiasi, Tsung-Yi Lin, Jonathon Shlens, Quoc V. Le。
这篇文章可以看做是之前 AutoAugment 的扩展，在检测任务上搜索一个好的数据增强方案。作者在 AmoebaNet + NAS-FPN 上用搜出来的数据增强方法能达到 50.7 的 COCO validation mAP。
Motivation
首先回顾一下 AutoAugment：对于图像分类任务通常要用到一系列的数据增强手段，比如左右翻转 Flip，对比度/饱和度增强，Resize，等等。使用哪些数据增强方法、每个方法使用几次、每个方法被使用到的概率、方法之间的顺序可以构成一个庞大的搜索空间，然后用 AutoML 的方法搜一个不错的组合，一般要比人工设计的数据增强策略要效果好。
Method
而在这篇 Paper 中，目标任务的任务从分类变成了检测，首先作者提出一个观点：在检测任务中如果直接采用分类任务的数据增强策略，带来的涨点是有限的。检测任务上有一些和框的位置有关的数据增强方法，比如旋转角度，仿射变换，是分类任务上没有的。因此有必要针对检测任务专门搜最优的数据增强方法。
作者将检测任务上的数据增强策略搜索看成了一个离散优化问题(discrete optimization problem)。
首先作者定义了22个数据增强运算，包括对颜色、几何变换、框位置的变换进行增强。官方的 TensorFlow 代码可以在这里找到。一些运算的介绍如下表所示：
有一些数据增强运算，比如 Mixup，Manifold Mixup，Dropblock 作者发现加进去会掉点，就没有采用。
有了这22个数据增强运算，怎么构成搜索空间呢？作者规定了最终的数据增强策略由 K 个子策略 (sub-policies)组成，每个子策略包含 N 个数据增强运算。每个运算又包含两个超参数：被用到的概率 P 和强度 M。P 和 M 被离散化为6份。训练的时候，每次抽一个子策略，然后把这个子策略包含的数据增强运算应用到图片上。
这样整个搜索空间的大小为：
( 22 × P × M ) K × N = ( 22 × 6 × 6 ) 5 × 2 ≈ 9.6 × 1 0 28 (22 \times P \times M)^{K \times N} = (22 \times 6 \times 6)^{5 \times 2} \approx 9.6 \times 10^{28} (22×P×M)K×N=(22×6×6)5×2≈9.6×1028
可视化这些候选子策略如下图所示：
在这么大的一个候选空间找到候选解，Grid Search 肯定是不行的，需要用 Auto ML 的方法来搜。作者用了常见 RNN 控制器+ 强化学习的方法，proximal policy optimization (PPO) 算法。也就是 RNN 在每个 step 来预测挑选哪些子策略，把 RetinaNet 在 validation set 上的 mAP 作为反馈。
在整个 COCO 数据集上搜比较费时间，所以作者从 COCO 上抽了 5K 数据作为训练集，7392 张图片作为验证集，检测算法是 ResNet50 + RetinaNet，在 400 块 TPU 上训练了 8 小时。
最后搜出来的“丹方”如下表所示：
实验结果
观察最后搜出来的结果，作者发现这三个数据增强方法经常被用到：
- Rotate ，就是整张图和框一起旋转；
- Equalize ，直方图均衡化
- BBox Only TranslateY，仅对框的位置做垂直向上或向下翻转
看来在检测任务上，这些运算比较重要。
随后作者使用不同的 backbone 网络 (ResNet50, 101, 200)，分别进行了两组对照实验。一组是 baseline 方法，在 RetinaNet 上使用传统的数据增强策略（0.5的概率水平翻转，multi-scale jittering，图片先 resize 到 [512，786] 之间，再 crop 成 640x640）；还有一组是在RetinaNet 上使用搜出来的数据增强策略。实验结果如下表：
可以看出，作者搜出来的策略更好，即使是大模型上也能涨 2.2。
此外，作者的 22 个数据增强运算，包括对颜色、几何变换、框位置的变换三部分，作者验证了每一部分都是必要的，如下表所示：
为了验证搜出来的策略能迁移到别的检测方法上，作者在 AmoebaNet + NAS-FPN 的方法上进行了尝试，结果仍然能涨 1.6。加上一些把图拉大、anchor 数量增加的 tricks，最终能在 COCO 验证集上取得 50.7 的 mAP。 这个单尺度训练、单模型的成绩已经超过了 17 年的 COCO 冠军。
同样是为了验证方法的普适性，作者用 Faster RCNN + Res101，在 PASCAL VOC 上进行了验证，同样能涨 2.7。
数据增强的方法一般在数据集比较少的时候比较有用。因此作者就从 COCO 中抽出来 { 5000, 9000, 14000, 23000} 张图片来训 RetinaNet，分别做两组实验：baseline，baseline + 学到的数据增强策略。结果如下：
作者得出结论，
- 训练集数据很小的时候，数据增强方法带来的涨点最多；
- 在小物体上涨的特别多
进一步分析在IoU卡 0.5, 0.75，[0.5:0.95:0.05]时候的增益，效果如下：
可以看出，在AP75的时候涨点最多，说明框回归的更准了，这也可能是在小物体上能涨点的原因。
作者还观察到加了数据增强后，如下面两张图所示，网络收敛时候的 loss 变小了，权重的 L2-norm 变小了，说明有一定正则化的作用。
结论
个人觉得这篇 paper 还是 AutoAugment 的思路，换了个检测的搜索空间。以后肯定也会有工作再换到分割、点云的搜索空间上。这一类 paper 最大的 novelty 在于如何设计一个好的搜索空间；其次才是如何设计高效的搜索方法，比如FastAutoAugment这一系列。
如果有理解不到位的地方，欢迎大家在评论区指正。