Libra R-CNN论文阅读

一、论文提出的问题

• Sample level imbalance（采样不均衡）：训练过程中，难例对于检测性能的提高至关重要，但是训练中的随机采样，使得难例淹没在简单的、已学习过的样本中。OHEM（难例挖掘）用来从所有的样本中，将难例挖掘出来，但是这种对噪声比较敏感，另外费时。Focal loss是用来缓解一阶检测器中的样本不平衡，但是这种方法对于R-CNN这类的二阶检测器，效果不佳，因为大量的容易的样本都是在第二阶段过滤的。
• Feature level imbalance（特征层的不平衡）：高层特征包含更多的语义信息，低层特征更具有内容描述性。特征融合（例如FPN）取得了极大的效果，说明高层特征和低层特征对于目标检测是信息是互补的。实验表明，融合后的特征应该具有每个分辨率的平衡信息。之前提到的融合方式（FPN）使得融合后的特征更加关注相邻两个分辨率的特征，而忽视其他层的特征，非相邻层包含的语义信息，每次融合都会被稀释一次。
• Objective level imbalance（目标函数的不平衡）：训练过程需要解决的是分类和定位两个任务，如果这两个任务没有适当的平衡，一个任务会被损害，导致整个任务不能达到最优性能。

二、针对问题提出的方案
论文设计了Libra R-CNN网络框架来解决提出的问题，该网络框架具有一下特点：

• IOU-balanced sampling
  OHEM和Focal loss 是现有的解决样本不平衡的主要解决方案。常用的OHEM根据confidences来挖掘难例，OHEM的缺点是需要额外的计算，另外容易受到噪声标签的影响，所以并不适用于所有的情况。Focaloss主要是前景和背景之间的不平衡，主要在one-stage工作，two-stage不work。
  该论文提出的IOU-balanced sampling可以增加难例的采样概率。假设，需要从M个候选样本中选择N个负样本，该论文根据IOU的值将M个候选样本划分为K个bin，在每个bin中均匀的选择样本。
• balanced feature pyramid
  
  这个部分主要分为三个步骤：
  1、obtaining balanced semantic features
  图中的$C_1$、$C_2$、$C_3$、$C_4$、$C_5$是FPN的输出结果，显而易见，这一部分是附加在FPN的后面，会增加额外的计算。首先，选中中间一个层的尺寸，例如$C_4$，将剩下的$C_1$、$C_2$、$C_3$、和$C_5$都rescale到$C_4$的尺寸，大于$C_4$尺寸的使用插值操作，小于$C_4$尺寸的使用最大池化操作，然后将所有rescale过之后的，尺寸相同的特征层，加起来求平均值，这个就是得到的平衡的语义特征。
  2、refining balanced semantic features
  平衡的语义特征可以进一步细化以更具辨别力。直接使用卷积操作，或者非局部模块，都可以得到很好的细化结果。这里使用Non-local。
  3、 scatter refined features to multi-levels
  将细化之后的特征，原路返回到每个level尺寸，然后和该尺寸的特征层相加，得到强化后的特征，做后续的分类和回归。