【VALSE前沿选介2018-03期】
该文章属于“VALSE”原创，未经授权禁止转载。原文链接：https://mp.weixin.qq.com/s?__biz=MzA3Mjk0OTgyMg==&tempkey=OTcxX2FrK29sK1lOQ3p0YkJGR2ItazV2RWFLbGREX3lidENPU3lkSDJfMHZtZjNRbVUxakZIZVdGOGxsS25QZlZ2TklBM1ZKWjJIa1lrQzc1Zm9YQURDUHpGTGZFMmNESHUzZUZIeVg5bU5zam54MVZkQ2lWZnBzWHE4d3hVTUFXdVQwR2pRckIxdVNGSGo0Q0NpYWE4c3BfMjVheVdWc1lnUTRTNEhEcVF%2Bfg%3D%3D&chksm=04e6d8593391514fc7ea4a3cda6481855ec627281d76a63b1232e2bb7bcf10d56128aa3f2ab7#rd
CVPR18 Detection文章选介（下）作者：Winsty
上一期发出之后，很多读者已经在评论中猜出了本期的主角。对，就是今年CVPR的oral paper "An Analysis of Scale Invariance in Object Detection - SNIP"！这个paper具体的做法其实非常简单，但是背后却很有深意。这个文章很早之前就读过了，但是一直感觉没有读透。直到最近抽空细思了一下，有一些心得和大家分享。先简单来介绍一下SNIP这个paper做的事情。在CNN中，我们需要不同种类的invariance（不变性）来做识别，这其中translation invariance在CNN中可以比较好地被考虑，然而另外一种重要的不变性，scale invariance就很难被CNN考虑到。为了解决这个问题，一般常用的两大种策略就是Image Pyramid或者Feature Pyramid。在传统的Image Pyramid中，一般会使用一个固定大小的模板进行训练，将检测问题转换为一个固定大小的输入图像的分类问题。然后建立大小不同的Image Pyramid，在这个Pyramid中的每个scale的图片上，使用这个固定大小的检测器使用sliding window或cascaded classifier来分类。这大类方法中在deep时代比较经典的有MTCNN；另外一大类方法也就是Feature Pyramid，大家应该比较熟悉，这里的代表工作包括SPPNet和FPN，其中后者已经是目前检测算法的一个标准组件。FPN中的这张图很清晰解释了这两大类方法的关系和区别：
这篇文章中，作者对于scale对于CNN性能的影响做了十分深入的分析。下面这个表是引出这篇文章的motivation的核心。作者首先统一了测试的scale是1400，报告了COCO数据集上小物体（小于32*32）检测的mAP。值得关注的是以下三组实验反映出的问题：
[*]800(all)和1400(all)的对比：训练时使用不同大小的图训练，理论上如果使用更大图，小物体检测的性能应当有显著提升。但是实验表明这个提升非常小。文章中给出的解释是虽然1400的图训练会提升小物体的性能，但是会加大大物体训练的困难，所以此消彼长，并不会有比较大提升。（其实我是不太认可这个解释的，个人理解见下面的第三条。）
[*]1400(<80px)和1400(all)的对比：既然大物体太难train了，可能对小物体造成干扰，是否去掉大物体可以提升小物体的性能呢？答案也是否定的，而且损失掉的大物体的语义会让结果变得更加糟糕。
[*]MST：在Object Detection中，为了提升测试针对不同scale物体的性能，大家一般会使用Multi-scale training/testing这样的测试时融合的技巧来提升结果。与SNIP做法最大的区别就在于Multi-scale的做法扩充了不同scale样本的数目，但是仍然要求CNN去fit所有scale的物体。通过这样的一个对比实验，SNIP非常solid地证明了就算是数据相对充足的情况下，CNN仍然很难使用所有scale的物体。个人猜测由于CNN中没有对于scale invariant的结构，CNN能检测不同scale的“假象”，更多是通过CNN来通过capacity来强行memorize不同scale的物体来达到的，这其实浪费了大量的capacity，而SNIP这样只学习同样的scale可以保障有限的capacity用于学习语义信息。
所以，其实SNIP做的事情是非常简单的：在训练中，每次只回传那些大小在一个预先指定范围内的proposal的gradient，而忽略掉过大或者过小的proposal；在测试中，建立大小不同的Image Pyramid，在每张图上都运行这样一个detector，同样只保留那些大小在指定范围之内的输出结果，最终在一起NMS。这样就可以保证网络总是在同样scale的物体上训练，也就是标题中Scale Normalized的意思。
实验结果中可以看到，对比各种不同baseline，在COCO数据集上有稳定的3个点提升，这个结果可以说是非常显著了。
简而言之，SNIP可以看做是一个改版版本的Image Pyramid，从本质上来讲，其实和MTCNN并无太大区别，然而训练的时候使用了全卷积网络来训练和测试，一方面可以加速，另一方面可以利用更好更大的context信息。但是其背后反映出的问题确是十分有insight：也就是直击现在CNN网络其实仍无法解决好的一个问题，也就是scale invariance。虽然大家通过FPN，Multi-scale Training这样的手段来减轻了这个问题，但这个事情还是不能通过现有CNN的框架来本质上描述，无论是使用Multi-scale Training来暴力扩充数据，还是使用FPN来融合底层和高层的不同分辨率特征，都很难得到一个满意的效果。最有效的方式还是这个网络在训练和测试的时候都处理scale差不多大的物体。其实沿着SNIP的思路应该后续可以有很多工作可以来做，例如如何能够加速这样的Image Pyramid，是否可以显式地拆分出CNN中对于物体表示的不同因素（semantic，scale等等）。这些都会是很有价值的研究题目。
页:
[1]