|
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=OTU0XzBjRTJIUjFBZHgzNVB1K3EwWWtRa2c3YlBYcU1rYkdKRjhzSXVyOUNDSUNFTFNYTEViNXVKVjBnWlBEMm5aZHh2R2RwSEJUQU5GRTh1dU52TE1xanRCcG84QVZtQldGWURMX05YUGhha0ZtM0N4US10R3lDa3I1MjlmOGlGTFdXdFBldVI5cXFaRkVrOGY5azZLWXlHYnpiSnRWTDlWaWtiTUJFZWd%2Bfg%3D%3D&chksm=04e6d9993391508fb44b082cbe034a03d1cd9b1c583bbce6dcb9d9f5cb5dd7c8a1265372ebd1#rd
首先，欢迎各位同学明天参加在大连举办的VALSE2018研讨会~ 组委会为大家组织了一场学术盛宴，希望大家都能有所收获，并且玩得愉快~ 今天给大家介绍一篇个人觉得对detection非常有insight的一篇文章："Cascade R-CNN: Delving into High Quality Object Detection"。 在这篇文章中，作者对detection问题中的两个核心，分类和定位做出了细致的分析和观察，并从这样的观察中得到启发，提出了一个非常简单易行，但是效果十分显著的办法。 这篇文章的基础是two-stage detector，如RCNN，RFCN等，在这些two stage detector中，都会有一个header的结构来对每一个proposal同时做两件事情：classification和bounding box regression（bbox reg）。在classification中，每个proposal会被根据一个指定的IoU值分为正样本和负样本；在bbox reg中，每个被标记为正样本的bbox会向其assign的ground-truth方向回归。 这里作者第一个关键的发现是在classification中，指定不同的IoU划分正负样本，会导致bbox reg的行为完全不一样。如下图左，横轴是输入的proposal的IoU，纵轴是经过bbox reg之后的bbox和ground-truth的IoU。可以看到，低IoU threshold对于低IoU的样本有更好的改善，但是对于高IoU的样本就不如高threshold的有用。原因在于不同threshold下样本的分布会不一致，也就导致同一个threshold很难对所有样本都有效。 一个直接的想法是，为什么不可以直接使用高IoU呢？这就会导致第二个问题，也就是proposal的质量过差，导致高IoU的正样本数太少。如果强行这样训练的话，就会导致严重的overfitting问题。如上图右所示，threshold从0.5到0.6，最终的detection AP有些许上升，但是进一步提升到0.7，AP会急剧下降。 所以为了解决以上两个问题，作者提出了一个Cascade RCNN head的办法（上图d）。即有多个IoU threshold递增的header，每一级使用上一级refine过后的bbox作为输入。这样可以保证每一级的header都可以得到足够多的正样本，且正样本的质量可以逐级提升。在训练和测试时，这个操作也都保持一致。在测试中，作者使用多个header输出的均值作为这个proposal最终的分数，可以证明对结果会有进一步的提升。 不同于之前的工作，像Iterative bbox refinement，每次refine使用的是同样threshold训练出来的header，这会导致IoU到一定值之后很难更进一步改善；像Integral loss，只有一个bbox reg，但是有针对不同threshold的classifier，这本质上也并不能改善最终定位的精度。 在实验中，作者在COCO dataset上做了细致的分析，在多个不同backbone的网络上都可以持续性地提升3~4个点的AP。这对于COCO来说，已经是非常显著的改进了。同时，这个结果对比其他state-of-the-art方法仍然也很有优势。 个人总结：Detection其实并不是一个很合适的分类问题，没有一个明确的离散的正负样本的定义，而是通过IoU来连续定义的。但是IoU这个指标很难通过gradient descent来优化，虽然之前也有一些IoU loss的工作，但是效果并不理想。Cascade RCNN便是一个在这个方向上很好的尝试。
| 
发表于 2018-4-26 17:42:41
