香港中文大学陈恺：物体检测算法的近期发展及开源框架介绍 | 大讲堂第 102 期

雷锋网 AI 科技评论按：物体检测是计算机视觉的基础任务之一。香港中文大学多媒体实验室博士生陈恺在 AI 研习社的公开课上，为大家总结了深度学习背景下物体检测算法的发展，分享 COCO 比赛冠军团队所使用的算法，并介绍由港中大多媒体实验室开源的物体检测算法框架 mmdetection。

公开课回放视频网址：

http://www.mooc.ai/open/course/604?=chenkai

分享嘉宾：

陈恺，香港中文大学多媒体实验室博士生，COCO 2018 Instance Segmentation Challenge 冠军团队成员。

分享主题：物体检测算法的近期发展及开源框架介绍

分享提纲：

1. 深度学习背景下物体检测算法的发展

2. COCO 2018 Instance Segmentation 冠军团队算法分享

3. 开源物体检测框架 mmdetection 及 Open-MMLab 计划介绍

雷锋网(公众号：雷锋网) AI 研习社将其分享内容整理如下：

我叫陈恺，来自香港中文大学多媒体实验室。我 2015 年从清华大学自动化系本科毕业，之后进入香港中文大学多媒体实验室读博，现在是博士四年级，导师是林达华老师。研究方向主要是物体检测、视频分析。

今天我报告的题目是《物体检测算法的近期发展》。

深度学习背景下物体检测算法的发展 

对于物体检测，有的人可能比较了解，有的人可能还不怎么清楚，这里我借用 COCO dataset 论文（论文查看地址：https://arxiv.org/pdf/1405.0312.pdf）里面的 4 张图来形象地介绍一下相关的任务：

• Image classification：图像分类，这个任务指的是给出一张图片，要识别出哪张图片属于哪个类别。

• Object detection：物体检测，这个任务除了需要识别出图片属于哪个类别，还需要对相应的物体进行具体位置的定位，我们通常用矩形框来框出这个物体。

• Semantic segmentation：语义分割，这个任务是指对图片中的每个 pixel 打上标签，比如这里要给它们打上 person、sheep、dog 的标签，需要进行非常精细的分类。

• Instance segmentation：实例分割，可以理解为进行物体检测后，对每个矩形框中的物体进行语义分割，该任务除了需要找到物体的类别和位置之外，还需要分辨出不同物体的 pixel。

下面用这个案例来说明物体检测和实例分割之间的区别：

（关于这个案例的具体讲解，请回看视频 00：04：05-00：05：35 处）

接下来介绍一下物体检测在深度学习出现以来的发展情况。

上面绿色的字体表示的是 Two-stage Detector 的发展历程，当然还有很多其他的方法，这里列出的是一些比较有代表性的方法。

• 2014 年有一项很重要的工作是 R-CNN，它是将物体检测首次应用于深度学习中的一篇论文，引用量非常高，影响也非常广泛。它的主要思路是将物体检测转化为这么一个问题：首先找到一个 region（区域），然后对 region 做分类。之后作者又提出了 Fast R-CNN，它是一个基于 R-CNN 的算法，运算速度显著提高。

• 2015 年，这一群人又提出了 Faster R-CNN，它在速度上相比 Fast R-CNN 有了更大的提高，主要是改进了怎样在 Fast R-CNN 和 R-CNN 中找 region 的过程，Faster R-CNN 也是用深度学习的方法得到一些 region（称之为 proposal），然后再用这些 proposal 来做分类。虽然距离 Faster R-CNN 的提出已经三年多了，但它依旧是使用非常广泛的一种算法。

• 2016 年，代季峰等人提出了 R-FCN，它在 Faster R-CNN 的基础上进行了改进，当时它在性能和速度都有非常大的提高。

• 2017 年有两篇影响力非常大的论文，FPN 和 Mask R-CNN。FPN 也就是 Feature Pyramid Network，它相当于生成了 feature pyramid，然后再用多个 level 的 feature 来做 prediction。Mask R-CNN 这篇论文获得了 ICCV 2017 的最佳论文，由何恺明他们提出，其在 Faster R-CNN 基础上增加了 mask branch，可以用来做实例分割，同时因为有 multi-task learning，因此它对物体框的性能也有很大的提高。

• 2018 年，沿着 Faster R-CNN 这条路线提出的方法有 Cascade R-CNN，它将 cascade 结构用在了 Faster R-CNN 中，同时也解决了一些 training distribution 的一些问题，因此它的性能是比较高的。另外还有两篇比较重要的论文——Relaiton Network 和 SNIP。

下面蓝色字体表示的 Single-stage Detector 的发展历程：2014 年的 MultiBox 是非常早期的工作；2016 年提出了 SSD 和 YOLO，这两篇论文是 Single-stage Detector 中的代表作；2017 年提出了 RetinaNet（当时 Single-stage Detector 中性能最高的方法）和 YOLO v2；2018 年有一个新的思路，提出了 CornerNet，把物体检测看成一堆点的检测，然后将这些点 group 起来，我们下面会详细讲到它。

下面会讲一下物体检测近期（2017 年以来）的工作。由于 Faster R-CNN 是很多方法的基础，我们首先会介绍一下这个方法。

在此之前，先讲一下物体检测一般的 pipeline。下图是一个 Two-stage Detector，它的 pipeline 首先有一张图片，之后的步骤共分为三个部分：

第一部分是 Feature generation：首先图片经过 backbone（分类网络）后，会生成 feature； 之后 feature 或者直接进行 prediction，或者再过一个 neck 进行修改或增强；

第二部分是 Region proposal：这个部分是 Two-stage Detector 的第一个 stage，其中会有一堆 sliding window anchor（预先定义好大小的框），之后对这些框做 dense 的分类和回归；接着再筛除大部分 negative anchor，留出可能是物体的框，这些框称之为 proposal；

第三个部分是 Region recognition：有了 proposal 后，在 feature map 上利用 Rol feature extractor 来提取出每一个 proposal 对应的 feature（Rol feature），最后会经过 task head。

相对来说，Single-stage Detector 的 pipeline 比较简单。

图片首先经过 feature generation 模块，这里也有 sliding window anchor，但是它们不是用来生成 proposal 的，而是直接用于做最终的 prediction，通过 dense 的分类和回归，能直接生成最终的检测结果。

（对于该部分的具体讲解，请回看视频 00：12：00:00：16：25 处）

Faster R-CNN

Faster R-CNN 是 Two-stage Detector 工作的基础，它主要提出了两个东西：

RPN：即 Region Proposal Network，目前是生成 proposal 的一个标准方式。

Traning pipeline：主要讲的是 Two-stage Detector 应该怎样 train，论文里给出的是一种交替的方法。

（关于 Faster R-CNN 的具体讲解，请回看视频 00：17：00:00：21：45 处）

FPN

FPN（Feature Pyramid Network）主要也是提出了两项重要的思路：Top-down pathway 和 Multi-level prediction。

下图中的 4 张图代表了基于单个或多个 feature map 来做预测的 4 种不同的套路：

具体实现如下图所示：

（关于 FPN 的具体讲解，请回看视频 00：22：35-00：25：45 处）

Mask R-CNN 

Mask R-CNN 主要也有两点贡献：

RoIAlign：在 Mask R-CNN 之前，大家用得比较多的是 Rol Pooling，实现过程是：给出一个框，在 feature map 上 pool 出一个固定大小的 feature，比如要 pool 一个 2×2 的 feature，首先把这个框画出 2×2 的格子，每个格子映射到 feature map，看它覆盖了多少个点，之后对这些点做 max pooling，这样就能得出一个 2×2 的 feature。它的劣势是如果框稍微偏一点，得出的 feature 却可能是一样的，存在截断误差。Rol Align 就是为了解决这一问题提出的。Rol Align 并不是直接对框内的点做 max pooling，而是用双线性插值的方式得到 feature。其中还有一步是：在 2×2 的每个框中会选择多个点作为它的代表，这里选择了 4 个点，每个点分别做双线性插值，之后再让这 4 个点做 max/average pooling。

Mask branch：它是一个非常精细的操作，也有额外的监督信息，对整个框架的性能都有所提高。它的操作过程如下图所示：

（关于 Mask R-CNN 的具体讲解，请回看视频 00： 26：55—00：30：20 处）

Cascade R-CNN

Cascade R-CNN 是目前 Faster R-CNN 这条线中较新的方法。这个方法也提出了两点贡献：一是提出了使用 cascade architecture；二是提出了怎样来适应 training distribution。

Cascade architecture ：这个框架不是特别新的东西，之前也有类似的结构。下图左边是 Faster R-CNN，右边是 Cascade R-CNN。其中 I 代表图像或者图像生成的 feature map，H0 是 RPN，B 是 bounding box regression，C 是 classification。经过 RPN 得到的 proposal 再做 pooling 后，会有分类和回归这两个 prediction。

Cascade R-CNN 的结构是，在经过第一次分类和回归之后，会用得到 bounding box 再来做一次 pooling，然后对这些框做下一阶段的分类和回归，这个过程可以重复多次。但如果仅仅使用 Cascade R-CNN 而不做其他改变，Cascade R-CNN 带来的提高是非常有限的。

我认为 Cascade R-CNN 提出了一个很好的 motivation，这是它比较有意义的一个地方。它研究了一下采用不同的 IoU 阈值来进行 training 的情况下，Detector 和 Regressor 的性能分布。如下图所示：

基于此，Cascade R-CNN 就提出了在不同的 stage 怎样进行训练的问题。下图是 3 个 stage 的框的分布：

结果显示，越往后的 stage，它的高 IoU 的框就越多。所以在 Cascade R-CNN 中，第 1 个 stage 用的是传统的 0.5 的阈值；第 2 个 stage 用的是 0.6 的阈值；第 3 个 stage 用的是 0.7 的阈值。这篇论文的核心思想是，training distribution 在不同的 stage 需要随着 sample distribution 来改变的。

（对于 Cascade R-CNN 的具体讲解，请回看视频 00： 30：30-00：35：30 处）

RetinaNet 

RetinaNet 是 Singe-stage Detector 目前比较重要的一项工作，它可以看做是由 FPN+Focal Loss 组成的，其中 FPN 只是该论文中用到的架构，而 Focal Loss 则是本论文主要提出的工作。

RetinaNet 结构如下：

RetinaNet 的结构 和 SSD 非常类似，只不过它用的是 ResNet，并在 ResNet 上加入了 FPN 的结构，每一层都有两个分支：一个用来做分类；另一个用来做框回归。此外它的每个 head 都比 SSD 和 Faster R-CNN 都要大一点，这样的话，它的参数量比较大，计算速度也比较慢。

而 Focal Loss 试图解决的问题是 class imbalance。针对 class imbalance 的问题，Two-stage Detector 一般是通过 proposal、mini-batch sampaling 两种方式来解决的；SSD 是通过 hard negative mining 来解决的；而 RetinaNet 则通过 Focal Loss 来解决该问题。

Focal loss 的核心思路是：对于 high confidence 的样本，给一个小的 loss——这是因为正负样本不平衡，或者说是由于 class imbalance 导致了这样的问题：比如说正负样本的比例是 1:1000，虽然负样本的 loss 都很小，但数目非常多，这些负样本的 loss 加起来的话，还是比正样本要多——这样的话，负样本就会主导整个框架。其具体公式表示如下图所示：

（关于 RetinaNet 更详细的讲解，请回看视频 00：35：55-00 ：40：45 处）

Relation Network

在 Relation Network 之前的大部分 detectcor，在做 prediction 或 training 的时候通常只考虑到当前这一个框，而 Relation Network 提出还要考虑这个框周围的框，并基于此提出了一个 relation module，可以插在网络的任何位置，相当于是 feature refinement。Relation module 如下图所示：

它的核心思想是：当前框的 feature 除了由当前框决定之外，还要考虑当前框和周围框及其它框的关系，具体怎样计算，大家感兴趣的话可以阅读论文原文了解。

SNIP

SNIP（Scale Normalization for Image Pyramids）是我认为另一篇比较有启发性的工作。它提出的问题是：在 train 分类器的时候，究竟是要 scale specific 还是 scale invariant。传统的 detector 通常会选择 scale invariant，但 SNIP 研究了一下之前的方法后，发现之前的训练方式得到的 feature 对 scale 并没不是很 robust，因而提出要尽量减少 scale 的 variance，让训练时的 scale 尽可能地相似。

SNIP 结构图如下：

 CornerNet

CornerNet，是 Singe-stage Detector 中比较新的方法，其与其他方法最不一样的地方是：之前的方法会在图像上选出框，再对框做分类的问题；CornerNet 则是在图中找到 pair 的关键点，这个点就代表物体。它的 pipeline 包括两步：第一步是检测到这样的 corner，即 keypoint；第二步是 group corner，就是说怎样将同一个物体的左上顶点和右下顶点框到一起。

其 pipeline 如下图所示：

（关于 CornerNet 的具体讲解，请回看视频 00： 41：35-00：47:40 处）

COCO 2018 Instance Segmentation 冠军团队算法分享

下面讲一下我们在 COCO Challenge 2018 中的工作。

我们实验室和商汤一起参加了 COCO Challenge 2018 比赛，然后在实例分割中取得了第一名的成绩。

下图展示了我们本次取得的成绩与 2017 年的冠军团队取得的成绩的比较：

比赛中，我们在三个方面提出了比较新的东西：

• 第一，针对 detection 和 segmentation，我们提出了 Hybrid Task Cascade，简称 HTC；

• 第二，针对 proposal 方面，我们提出了 Guided Anchoring，它是为了取代 sliding window 的 anchor；

• 第三，针对 backbone，我们设计了新的 backbone——FishNet。

Hybrid task cascade（HTC）

前面我们讲到过，Cascade Mask R-CNN 的×××performance 非常高，所以比赛中几乎所有的队伍都用了 Cascade Mask R-CNN，而这种方法其中的一项重要工作就是预测 mask，我们当时一个比较 naive 的想法就是把 Cascade R-CNN 和 Mask R-CNN 结合在一起，结构如下图所示：

但这种方法的问题是：每个 stage 的 branch 都做并行的 prediction，彼此间没有任何交集。

为了改善这一问题，我们提出了 interleaved execution，即交替做 bbox prediction 和 mask prediction。结构如下：

但是它仍存在一个问题是：不同 stage 的 mask branches 之间没有 information flow，所以需要人为引入 information flow，如下图所示：

不过这样的话，该方法依旧存在另外一个问题：做 mask prediction 需要一些 spatial context，然而上面这个架构中并没有引入任何 spatial context。那我们就想到可以做一个全图的 semantic segmentation，这样做的话，框架的 spatial context 就变得比较明显了：

基于这些调整和改进，HTC 最终的 performance 如下图所示：

无论是在小模型 ResNet-50 上还是大模型 ResNeXt-101 上，它的性能都有非常稳定的提升。

Guided Anchoring

Guided Anchoring 的思路是：将 sliding window anchor 变成 learnable 的东西。因此其目标就是得到 sparse anchor，同时其形状是任意的。但是在设计 anchor 的时候有两个原则：alignment 和 consistency。

下面几张图是 Guided Anchoring 的实现过程：

下图是 Guided Anchoring 的 performance：

FishNet

FishNet 这个工作的论文被 NIPS 2018 收录了。它的想法是：对于图像分类来说，需要的是深层的、低分辨率的特征，而不考虑空间上的信息；但是对于 segmentation 和 detection 来说，需要空间上的信息，因此需要的是深层的和高分辨率的特征，因此我们就将这两种思路结合起来设计了 FishNet。具体设计大家可以参考论文。

FishNet 的性能如下图所示：

在 detection 和 instance segmentation 中，性能也有比较大的提升。

（关于这三个工作的具体讲解，请回看视频 00：49：00-00：59：40 处）

下图显示了我们在比赛中的相关工作的一些细节：

（关于比赛细节的详细讲解，请回看视频 00：59:50-01:01:40）

Open-MMLab 计划及开源物体检测框架 mmdetection 介绍

最后我介绍一下 Open-MMlab 的这个项目。林达华老师在 MMLAB 知乎专栏（地址：https://zhuanlan.zhihu.com/p/47011261）里对这个项目进行过介绍。

目前有两个代码库 ：一个是 mmcv；另一个是 mmdetection。

（关于这两个项目的具体讲解，请回看视频 01：02：10-1：04：25 处。）

分享最后，嘉宾还对各位同学们的提问进行了回答，大家可回看视频 01：04：30 处

以上就是本期嘉宾的全部分享内容。更多公开课视频请到雷锋网 AI 研习社社区（http://ai.yanxishe.com/）观看。关注微信公众号：AI 研习社（okweiwu），可获取最新公开课直播时间预告。雷锋网

。