深度学习500问——Chapter08：目标检测（3）

文章目录

---

8.2.7 DetNet

DetNet是发表在ECCV2018的论文，出发点是现有的检测任务backbone都是从分类任务衍生而来的，因此作者想针对检测专用的backbone做一些讨论和研究而设计了DetNet，思路比较新奇。

1. Introduction

很多backbone的提出都是用于挑战ImageNet分类任务后被应用到检测上来，而鲜有单独针对检测任务设计的backbone。

检测和分类有明显的区别：

（1）不仅需要分类，还需要精确的定位。

（2）最近的检测器都是基于类似FPN结构的，在分类网络基础上加额外多尺度特征进行检测，应对不同尺度变化的目标。这两点又是互相补充，，共同协助网络完成分类到检测任务的转变。例如分类任务是检测的一环所以必不可少，但是传统分类采用的最高级特征定位细节不够，因此很多最近网络设法用类似FPN的结构去处理尺度变化的问题，就将分类较好地过渡到检测任务上了。

2. DetNet

2.1 Motivation

主要着眼点是分辨率，从大目标和小目标分布阐述保持分辨率的重要性。所以DetNet也是从分辨率的保持着手，解决多尺度物体的识别问题。

Weak visibility of large objects

网络在较深层如P6（FPN）和P7（RetinaNet）大目标的边界不明确使精确定位困难。

Invisibility of small objects

小目标就很惨了，将采样容易丢。这个就不赘述了，所以只要避开降采样就能防止目标丢失，但是这种方法又会导致抽象能力不够

2.2 DetNet Design

保持分辨率有两个麻烦的问题：

（1）内存消耗大，计算大。

（2）降采样减少导致高层的抽象特征不足以很好地进行分类任务。下面设计时会同时考虑时间和高层抽象信息两点。

先放出DetNet的多尺度各stage的尺寸如下图，可以看到，相比前两种方式，DetNet在P4之后就不再进一步降采样了，进行分辨率的保持。

实现细节如下图：

• 采样的backbone是ResNet-50，改进设计了DetNet-59。
• 对bottleneck进行了改进，传统的其实不止C，也包含两种，即将AB的膨胀卷积换成普通卷积。AB是新的基础模块。
• 为了减少分辨率保持带来的时间和内存成本消耗，通道数固定为256（思考：降采样和膨胀卷积都会有信息丢失，这里可以想想）。
• DetNet也可以加FPN结构，方法类似。

3. Experiments

检测和训练的细节配置就不看了。

3.1 Main Results

• 在FPN基础上明显有大物体涨点，同时由于高分辨率，小物体也有不错的提升。
• 膨胀卷积提高的大感受野使得分类也不逊色。

3.2 Result analysis

从AP50看出，高了1.7；从AP80看出，高了3.7.由此可以看出确实提高了检测性能。

从定位性能来看，大物体的提升比小物体更多。作者认为是高分辨率解决了大物体边界模糊的问题。其实有一种解释：小目标没有大目标明显，因为膨胀卷积核降采样都会丢失小目标，只是膨胀卷积可能离散采样不至于像降采样直接给到后面没了，但是没有根本性的解决，所以小目标不大。

• AR指标也有类似结论。
• AR50体现了小目标的查全率更好，这也印证了上面分析的：相对降采样，膨胀卷积丢失会好点。此大目标效果虽然提升不大但是也很高了，作者表示DetNet擅长找到更精确的定位目标，在AR85的高指标就能看出。
• AR85看大目标丢失少，说明能够像VGG一样对大目标效果优良。关于小目标的效果平平，作者认为没有必要太高，因为FPN结构对小目标已经利用地很充分了，这里即使不高也没事。

3.3 Discussion

• 关于stage

        为了研究backbone对检测的影响，首先研究stage的作用。前4个还好说，和ResNet一样，但是P5、P6就不同，没有尺度的变化，和传统意义的stage不一样了，需要重新定义。这里DetNet也是类似ResNet的方法，虽然没有尺度变化，但是AB模块的位置还是保持了，B开启一个stage。如下图，认为新加的仍属于P5。

验证方法是做了实验，将P6开始的block换成上图所示的A模块对比效果如下图。发现还是加了B效果更好。（但是这个stage和传统意义很不一样，所以很多性质不能相提并论，只是B模块的改变也不好判定什么）。

8.2.8 CBNet

本部分介绍一篇在COCO数据集达到最高单模型性能——mAP 53.3的网络，论文于2019.9.3发布在ArXiv，全名是CbNet：A Novel Composite Backbone Network Architecture for Object Detection。

1. Introduction

名义是单模型，实际上是多模型的特征融合，只是和真正的多模型策略略有不同。作者的起点是，设计新的模型往往需要在ImageNet上进行预训练，比较麻烦。因而提出的Composite Backbone Network（CBNet），采用经典网络的多重组合的方式构建网络，一方面可以提取到更有效的特征，另一方面也能够直接用现成的预训练参数（如ResNet、ResNeXt等）比较简单高效。

2. Proposed method 

2.1 Architecture of CBNet

如上图，模型中采用K个（K>1）相同的结构进行紧密联结。其中两个相同backbone的叫Dual-Backbone (DB)，三个叫Triple- Backbone (TB)；L代表backbone的stage数目，这里统一设置为L=5。其中，和前任工作不同的地方在于，这里将不同的stage信息进行复用回传，以便获取更好的特征（为什么work不好说）。

2.2  Other possible composite styles

 相关工作的其他类似结构，大同小异。要么是前面backbone的stage往后传播，要么是往前一个传播，每个都有一篇论文，应该都会给出不同的解释；第四个结构不太一样，是类似densnet的结构，但是密集连接+多backbone assemble的内存消耗不出意外会非常大。但是脱离这些体系来看，多backbone的结构类似多模型的assemble，和单模型有点不公平。

3. Experiment

• result

COCO数据集上的结果，看来提升还是有的。但是也能看出，大趋势上，三阶级联效果不如两阶的提升大，也是这部分的特征提升空间有限的缘故，到底哪部分在work不好说。下图的研究就更说明这一点了，斜率逐渐减小。

• Comparisons of different composite styles

与其他的级联网络相比，作者的阐述点只落脚于特征的利用情况，但是这个东西本身就很玄乎，不好说到底怎么算利用得好。硬要说这种做法的解释性，大概就是将backbone方向的后面高级语义特征传播回前面进行加强，相当于横向的FPN传播。

• Number of backbones in CBNet

速度慢是必然的，FPN+ResNeXt为8fps，加上两个backboen后为5.5FPS；如果减去backbone的前两个stage，可以节省部分参数达到6.9FPS，而精度下降不大（整体速度太低，这个实验意义不大）。

• Sharing weights for CBNet

从中可以看出其实权重是否share区别不大， 不到一个点的降幅，参数量减少。

• Effectiveness of basic feature enhancement by CBNet

从中可以看出激活响应效果更好，确实是能够提取到更为有效的特征，对物体的响应更加敏感。