Learning Cross-Modal Deep Representations for Robust Pedestrian Detection (学习跨模态深度表示以实现可靠的行人检测)

Learning Cross-Modal Deep Representations for Robust Pedestrian Detection 

第一单位：University of Trento      引用量：102        CVPR 2017

code：https://github.com/danxuhk/CMT-CNN

贡献：提出了一种新颖的网络结构，包括 RGB-thermal 映射关系学习的重建网络和多尺度行人检测网络。主要思想是通过无监督方式学习 RGB 和 thermal 的映射关系（针对proposals），进而将重建网络的backbone（VGG-13）作为第二个检测网络的子网B，子网A和子网B共同构成检测网络的 backbone（双管道的VGG-13），检测网络可以通过重建网络使用到 thermal 信息（只使用RGB信息，thermal是重建出来的，进行concatenate，之后共同提取region of interest），完成多尺度行人检测任务。

views：本文的主要贡献在于使用thermal模态帮助RGB模态进行行人检测，但在测试阶段，只使用RGB，降低部署成本，更加实用和方便。网络结构方面感觉没有太多的新颖点，新颖点主要在于思想和以无监督方式学习RGB和thermal的映射关系。还有通过GAN网络学习RGB和thermal的关系，或者通过thermal染色等类似的想法。

但是，直觉上本文这种无监督学习方式的使用略显粗糙（虽然我对无监督的较少），无监督相关领域的发展肯定有着更好的方法，可以集成 end-to-end 网络进行学习，而不并使用两个网络，训练3次（一次是第一个重建网络，一次是除子网B的第二个网络训练，一次是包含子网B的网络fine-tuning），再进行整合。多个步骤的叠加，导致网络的适用性和收敛性难度增加。

ideas：本文总体的思路属于一种模态辅助另一种模态进行学习的范例，有一点点像我的毕设，本文使用ACF检测RGB的bbox，然后对应摘取thermal上的region，进行拟合学习。我毕设是采用双层神经网络直接拟合两种模态的bbox，但是由于相机的视差，导致对应图像中目标的bbox数量和位置有点对不上，我觉得这个问题在KAIST中也会存在（也就是之前那个顶会Improving Multispectral Pedestrian Detection by Addressing Modality Imbalanece Problems 指出的不平衡问题）（KAIST数据集的相位差很小）。

摘要：提出的方法主要包括了两个主要阶段，首先，在multi-modal dataset下，使用DCNN学习rgb和thermal的映射关系，然后，学习到的特征表示转移到second deep network，其中，输入为RGB，输出检测结果。在测试阶段，仅输入RGB。在具有挑战性的KAIST上实现SOTA，与Caltech上的方法同样具有竞争力。

1.Introduction

行人检测技术在挑战性情况下已得到广泛发展，如严重遮挡、小目标、背景杂乱。考虑新颖的传感器（thermal and depth cameras）可为不利照明条件下的行人检测提供新方案，但大多数监控系统仍是传统的RGB sensor。（引出主题，单独RGB在光照变化、阴影、低光照等条件下表现较差）

从cross-modal data中学习深度表示（deep representations）对检测和识别任务非常有益。行人检测的数据集容易收集（社区相机、汽车等方式），但有labeled multi-modal dataset很少。受unsupervised deep learning techniques启发，引入方法学习cross-modal representations且不需要行人边界框。具体来说，学习RGB和theramal的非线性映射来利用多模态信息。通过整合learned representations到second deep network，对RGB进行操作并有效利用多尺度信息进行建模。

图1是整个方法的概述，图2展示了正例和负例，通过使用提出的方法利用多光谱数据，可以更容易区分彩色图像中的负样本（外观极似行人的柱子、树木）

Contributions：1>新颖的方法，用于学习和传递用于行人检测的cross-modal feature representation。来自thermal的数据被作为从RGB中学习CNN features的一种监督形式。两点优势：a. 测试阶段不需要thermal，部署容易，方便，b.thermal不需要label。  2>第一次专门解决CNN在adverse illumination（不利）条件下的行人检测问题，设计两个新颖网络，无监督交叉模态（cross-modal）特征学习和转移学习的表示形式。  3>验证我们方法在KAIST实验SOTA，并在流行Caltech上有着竞争力。

2.Related Work

Pedestrian Detection：针对速度和精度提出了很多行人检测方法。

Learning Cross-modal Deep Representation：但是，很少研究学习和转移cross-modal feature的问题。方法很多地方同【13】，主要不同是不需要任何注释，可利用大的多光谱数据集。

3.Learning and transferring cross-modal deep representations

3.1 Overview

两个不同的CNN分别用于reconstruction和detection任务。第一个为RRN（region reconstruction network），Fully convolutional network，在从RGB-thermal 图像对中 以无监督方式进行收集的 pedestrian proposal上进行训练，学习从RGB channel到thermal channel 的映射。第二个网络为MSDN（Multi-Scale Detection Network），只有RGB数据，并嵌入从RRN转移的参数实施行人检测。输入为RGB+大量pedestrian proposal，输出为带有置信度分数的bbox。

3.2 Region Reconstruction Network

本文中，使用预训练的行人检测器（如：ACF）生成大量RGB数据的proposals（包括true positives 和 false positives），并设计一个deep modal重建相关thermal information。RRN的目的是从相关的RGB图中重建thermal data。

提出的RRN如图3所示，输入是3-channel RGB和大量相关的行人proposals（其实就是其它检测算法的结果图），RRN包括front-end convolutional subnetwork 和 back-end reconstruction subnetwork。其中，front-end network为VGG-13，后接ROI Pooling（摘取proposals），每个ROI生成512x7x7的特征图，考虑到特征图太小，使用deconvolutional layer恢复分辨率尺寸到50x50x64，减少到64 channels确保在训练中平滑收敛。反卷积层后跟Relu，然后，使用卷积层（kernel size：3，pad 1）生成相关于每个proposal的reconstruction maps。损失为平方损失。

不同于Fast/Faster R-CNN，在训练中使用动态的mini-batch size（不懂，但这个好像不重要的样子）。

3.3 Multi-Scale Detection Network

MSDN利用从RRN中学习的cross-modal representations在RGB中执行行人检测任务。引入了一种检测网络，融合了从ROI池层获得的多个特征图。

MSDN分为子网A和子网B，子网A13层，5block，Cm,n表示 m-th block 和 n个卷积层，5个block卷积层后跟着max pooling，每个卷积层后跟relu。ROI（Region of Interest）pooling layer 应用于最后的两个卷积块（convolutional block），为行人proposal提取512x7x7的特征图。考虑两个block是速度和精度的最佳折衷。sub-B同sub-A的结构，但它的目的是迁移cross-modality mid-level representations，它的13个卷积层参数(c'1,2 to c'5,3)来自于RRN。确实RRN的卷积产生了紧凑的特征表示形式（捕获了RGB和thermal的复杂关系（映射关系）），因此，将sub-B（RRN的13层卷积）嵌入，实现知识转移。（无奈了，就是这样进行跨模态信息的转移，我以为是什么高级的方式使用先前学习的特征表示）

将两个子网的RoI池化层中获得的特征图进行concatenate，另一个1024 channels的卷积层被使用。RoI feature maps尺寸调小，设卷积层为1（1x1卷积，改变channels）。之后是两个FC层（4096）。最后，使用两个同级层，一层输出softmax类别和置信度，一层为行人定位提供bbox offset。

3.4 Optimization

两个网络，两个培训过程。

第一阶段，RRN在multispectral data上训练。使用在ImageNet上预训练的VGG-16的前13层卷积初始化front-end convolutional layers。其余参数随机初始化，使用SGD学习。

第二阶段，在目标域中使用RGB数据和行人bbox优化MSDN参数，首先训练sub-net A通过添加MSDN的公共部分（从功能串联层到输出的两个同级别），串联和随后卷积层中的特征图大小分别为1024x7x7和512x7x7。子网A同样用预训练的VGG-16初始化，子网B卷积层使用RRN的相应参数进行初始化，然后，使用目标域的RGB执行fine-tuning，整个MSDN优化基于SGD

3.5 Pedestrian detection

在检测阶段，给定测试RGB图像。首先，类似于training阶段，提取region proposal，然后，将输入图像和proposals输入MSDN。 softmax层输出类别得分，边界框回归器估计图像坐标。为了减少proposl的重复性，根据每个propsoal的预测得分进行非最大抑制（NMS，non-maximum suppression），并设置联合交集（IoU）阈值δ（区分正负样本）。

4.experiments

5.Conclusion

提出新颖的方法，多尺度，整合在RGB-thermal图像对上预训练的子网学习cross-modal feature representations。在不利照明条件下，实现多光谱数据知识转移，并实现准确的检测。在KAIST和Caltech上实现SOTA性能。

 这种cross-modal思想在其他应用中可能有着较大的作用。