RepPointsV2：更多的监督任务，更强的性能 | NIPS 2020

Posted 2021-07-01 晓飞的算法工程笔记

RepPointsV2的整体思想类似与Mask R-CNN，加入更多的任务来监督目标检测算法的学习。虽然在创新性上可能不够新颖，但论文的通用性还是很不错的，而且将角点任务的输出用于联合推理，从对比实验上看提升不少
 
来源：晓飞的算法工程笔记 公众号

论文: RepPoints V2: Verification Meets Regression for Object Detection

• 论文地址：https://arxiv.org/abs/[2007.08508]
  
• 论文代码：https://github.com/Scalsol/RepPointsV2

Introduction

---

  神经网络预测的两种方法分别为验证(verification)与回归(regression)，当前的一些目标定位方法结合了这两种方法来取得SOTA性能，先对预设的anchor box进行验证从而初步定位，然后回归box的偏移值进行调整。最近一些目标定位方法仅使用回归也取得了不错的性能，比如RepPoints。
  为此，论文研究是否可以在纯回归的定位算法中加入验证任务来增强性能，具体的实现方法是在原网络上加入辅助分支(auxiliary side-branches)的形式，有监督地进行学习，优化中间特征以及最终的检测结果。

A Brief Review of a Pure Regression Method: RepPoints

---

  RepPoints使用了纯回归的方法，具体的可以看看之前发的文章，从特征图位置$p=(x,y)$开始，直接回归一组点$\\mathcal{R}^{\'}={p{\'}_i=(x^{\'}_i, y^{\'}_i)}$来表达目标的空间位置，共有两个连续的步骤：

  $\\mathcal{R}={p_i=(x_i, y_i)}^{{n}_{i=1}$为中间的点集，$F_p$为位置$p$的特征向量，$g_i$和$g}{\'}_i$为2-d的回归函数，最终的bbox通过转化函数$\\mathcal{T}$从点集$\\mathcal{R}$和$\\mathcal{R}^{\'}$得到。尽管RepPoints使用了纯回归方法，没有anchor验证步骤，其性能并不比anchor-based方法差。

Corner Point Verification

---

  角点验证由CornerNet提出，是论文采用的其中一种验证方法，在很多keypoint-based检测算法中有应用。角点验证给每个特征图位置预测一个分数，用来判断该特征点是否为目标的左上角点或右下角点，再预测两个偏移值来分别对角点进行调整，弥补下采样导致的精度问题。
  论文的实现跟原版的类似，使用corner pooling进行特征提取，使用focal loss训练角点分数预测以及smooth L1 loss训练偏移值。若GT角点位于该特征点的bin中，则认为该特征点为正样本，其它均为负样本。在计算损失时，越靠近正样本点的负样本点会根据距离给一个高斯分数，可进行更平滑的学习。
  当然，论文进行了一些改进，GT角点直接对应到FPN各层，不需要根据目标的大小决定对应哪层。

Within-box foreground verification

---

  另一个验证任务是验证特征点是否在物体的内部，这种前景验证的信息均匀地存在于物体内部区域，不像角点那样集中于物体的极点。使用一个类别热图进行训练，对于$C$个物体类别，类别热图共有$C$维特征，每个维度表示该特征点属于该类别的概率。同样点，GT直接对应到FPN各层。
  需要注意的是，经典的focal loss可能会使大物体相对于小物体得到更多的关注。为此，论文提出正则化focal loss，对于正样本点，根据其对应的物体包含的特征点数进行损失值的正则化，而对于负样本点，使用正样本点总数进行损失值的正则化。

A General Fusion Method

---

  由于上述的两种验证任务都是相对物体的局部而言的，而纯回归的目标检测方法通常是直接检测目标的整体，所以论文采用辅助分支的形式接入，如图1所示，分别优化中间特征以及最终的检测结果。基于辅助分支，检测器可以得到以下收益：

• Better features by multi-task learning，辅助的验证任务能够在训练的时候提供更丰富的监督，从而得到能够提升检测准确率的更强大特征。相对于Mask R-CNN，论文的验证任务不需要额外标注。
• Feature enhancement for better regression，验证任务输出特征图包含角点位置以及前景区域，且特征图大小与回归使用的FPN特征图大小一致，所以将其进行$1\\times 1$卷积(embed conv)处理后相加融合到FPN特征中。需要注意，主干回归任务的反向传播梯度仅传到embed conv层，避免影响验证任务的学习。
• Joint inference by both methodologies，特征的融合隐式地帮助目标定位，而论文也显式地利用角点验证任务的输出来进行联合推理。角点任务善于角点的定位，但不善于分辨是否为真的角点，而主干回归任务的功能则相反。为此，论文提出调整主干回归任务输出的预测框的角点$p_t$：
  
  $t$为角点类型(左上或右下)，$q^{t$为预测的角点位置，$s(q}t)$为验证分数，$r$为领域阈值，默认为1。

RepPoints v2: Fusing Verification into RepPoints

---

  为了让RepPoints与辅助验证任务分支有更好的兼容性，显式地将点集的前两个点定义为左上角点和右下角点(explicit-corners)，并根据这两个点将预测的点集转化为预测框。

  验证模块取定位子网(详情取看看RepPoints的文章)的第三个卷积层的输出作为验证任务的输入，验证模块的结构如图2所示，完整训练损失函数为：

Experiments

---

  explicit-corners与原先方法的的效果对比。

  两种验证任务的效果对比。

  3种融合方法的效果对比。

  与SOTA性能对比。

Conclusion

---

  RepPointsV2的整体思想类似与Mask R-CNN，加入更多的任务来监督目标检测算法的学习。虽然在创新性上可能不够新颖，但论文的通用性还是很不错的，而且将角点任务的输出用于联合推理，从对比实验上看提升不少。

 
 
 

如果本文对你有帮助，麻烦点个赞或在看呗～
更多内容请关注 微信公众号【晓飞的算法工程笔记】