2021科大讯飞-X光安检图像识别赛Top1方案！

Posted 2021-12-08 Datawhale

↑↑↑关注后"星标"Datawhale

每日干货 & 每月组队学习，不错过

 Datawhale干货 

作者：宋志龙、王威，啄云智能GOAT战队

大家好，我们是来自浙江啄云智能科技有限公司的GOAT算法团队，团队多年来专注于X光安检领域算法研究。今天给大家分享的是我们团队在2021科大讯飞--X光安检图像识别挑战赛中所做的一些工作，在讯飞2021年的赛事中，这个比赛可以说是竞争最激烈了，前后历时三个多月，我们团队进行了大量实验，最终拿到了复赛第一、决赛第一的成绩。

下面我将从赛题背景、赛题内容分析、解决方案和总结这四个方面进行介绍，欢迎大家在评论区进行交流。

一、赛题背景

X光安检机是目前我国使用最广泛的安检技术手段，广泛应用于城市轨交、铁路、机场、重点场馆、物流寄递等场景。使用人工智能技术，辅助一线安检员进行X光安检判图，可以有效降低因为人员疲劳或注意力不集中带来的漏报等问题。但在实际场景中，因物品的多样性、成像角度、遮挡等问题，为算法的开发带来了一定的挑战。

赛题链接：

http://challenge.xfyun.cn/topic/info?type=Xray-2021

二、赛题内容及分析

1. 赛题内容

赛题数据组成

• 初赛：

  1）带标注的训练数据，即待识别物品在包裹中的X光图像及其标注文件；

  2）不带标注的测试数据；

• 复赛：

  1）无标注训练数据即包裹X光图像（其中有的包裹包含待识别物品）；

  2）部分待识别物品X光图像（无背景）；

• 目标类别：

  刀、剪刀、尖锐工具、甩棍、小玻璃瓶、电棍、塑料饮料瓶、带喷嘴塑料瓶、电子设备、电池、公章、伞， 共12类。

模型评价指标

wAP50，即各个类别的AP50按照权重进行加权的结果。

其中各类别权重为：

刀1、剪刀1、尖锐工具1、甩棍1、小玻璃瓶1、电棍1、塑料饮料瓶0.7、带喷嘴塑料瓶0.7、电子设备0.7、电池0.7、公章0.7、伞0.7。

模型大小

600M以内

2. 赛题分析

• 赛题数据中，提供了大量的无标注数据，利用好这些无标注数据进行半监督学习是关键。

• 数据可视化发现数据背景较复杂且差异较大，设计合适的数据增强方法是关键。

• 模型评价指标为AP50，因此更关注于模型的分类效果。

• 在模型大小范围内，允许进行一定的模型融合。

三、方案介绍

基本方案从数据增强、模型训练、半监督学习、模型融合三个角度进行介绍。

数据增强

1. 数据均衡

首先对数据进行分析，如图所示，经统计发现，数据存在严重的不平衡问题，需要进行数据平衡操作。

数据平衡策略

• 统计每个类别bbox数量，做归一化得到n

• 类别采样次数= max（1，oversample_thr/n）

• 图片实际的采样次数等于图片中最大的类别采样次数

均衡化之后的数据分布：

可以看到，经过数据均衡化操作之后，极端分布的类别样本得到了缓和，各个类别分别相对均衡。

2. 基本数据增强

随机反转RandomFlip、随机90°旋转RandomRotate。

几何层面的数据增强一般都能提升模型性能，比较稳定。X光图像对于色彩比较敏感，因此常见的color层面的数据增强经测试基本没什么效果。

3. MixUpObject

初赛阶段：可供训练的数据只有带标签的训练数据，为了提升模型对前景的识别能力，在训练期间，从训练集中随机选取一张图片的目标bbox，通过mixup的方式粘贴到正在训练的样本上。

复赛阶段：官方提供了一些目标的patch，因此训练时可以直接将目标patch给mixup到正在训练的样本上。

mixup效果如图所示（看起来贴的一般，但训起来好啊）：

4. FixScaleResize

结合X光安检图像的成像特点，由于设备限制，其光源到物品的目标的距离是在一定范围内的，因此同一类别的目标的尺寸差异不会特别大。这一点和自然场景下的目标有较大不同，自然场景下的目标是有近大远小的情况的，也就是同一目标在不同距离的成像上，尺度可能会有非常大的差异。

因此，在进行多尺度训练时，首先需要统计数据集中同一类别目标的面积差异分布，然后据此设计出大致的缩放范围，再进行消融实验找到最佳的缩放尺度。

基本步骤：

首先，以图片原始大小为基准，设置缩放比例范围为(1.5, 3.5)进行图片和目标的缩放；

然后，设置最大缩放面积，对于缩放后超出最大面积的图片，使用最大面积进行截断处理。

5. StackImage

在比赛后期，由于提供了大量的无标签数据，因此自然想到为无标签数据生成伪标签来进行半监督学习，为此我们开发了StackImage数据增强方法，其目的在于：

a. 增强样本多样性

b. 学习无标签数据上的前景和背景信息

c. 通过拼接强监督信息和弱监督信息，达到弱化伪标签中噪音数据的目的。

基本步骤：

a. 同时取一张带标签的图片和一张无标签的图片，无标注图片使用半监督标注信息

b. 将两张图像以水平或垂直的方式进行stack，方向按照面积最小的原则

c. 无法完全对齐的地方用255填充

可视化效果：

模型选择和训练

1. 模型选择

检测框架：mmdetection

检测模型：

虽然目前swin-transformer很火，但是由于对其不是非常熟悉，另外transformer系列模型训练一般都需要较长时间和较大的GPU显存，因此选用二阶段经典网络faster-rcnn作为基线模型。

这里没有使用去年冠军方案使用的cascade-rcnn作为检测模型基线，主要是考虑到以下几点：

a. cascade-rcnn主要是对与gt的iou大于0.5的bbox的进一步优化坐标，对AP50的提升贡献较小。

b. cascade-rcnn模型较大，不利于后期模型融合策略的使用。

c. cascade-rcnn模型占用显存较大，且需要更长的训练时间。

backbone选择：

res2net101，不解释了，又强又快。

模型选择小技巧：根据经验，coco检测模型预训练相比于imagenet分类预训练有更好的效果，因此优先选择mmdetection中有coco检测预训练权重的模型。

2. Tricks

基本调参，根据对赛题的分析和对赛题的理解，对模型内相关参数尽量调整，比如学习率、rcnn正负样本采样数量、学习率衰减策略等。

模型组件--FPN，增强对小目标的识别能力，一般mmdetection实现的fasterrcnn有自带。

模型组件--DCN，DCN一般都会有比较好的效果，但是也会增加较长训练时间，可以考虑在比赛的后期再加上

模型组件--GC，有类似于空间注意力机制的作用。

训练策略--Class Loss Weight，由于AP50的指标更看重模型的分类性能，因此可以适当调大分类损失的权重，经过实验由1调整至1.25效果较好。

预训练权重--CocoPretrain，相比较于仅使用ImageNet的分类模型预训练，使用COCO的检测模型预训练能稳定涨点。

模型压缩--FP16，本次比赛有模型大小限制，因此在模型训练之后将其权重由FP32转变为FP16，其大小能降低一半。

半监督学习

本次比赛提供了大量的无标签数据，如表所示，可以看到有四批数据共15000张无标签数据，仅4000张有标签数据，因此如何使用半监督学习的方式利用好这15000张半监督数据样本，也是本次比赛的关键。

数据	数量	说明	划分
train1	4000	初赛A榜训练	with_label
test1_A	3000	初赛A榜测试	without_label
test1_B	4000	初赛B榜测试	without_label
domain5	4000	官方提供未标注数据	without_label
domain6	4000	官方提供未标注数据	without_label
patch	422	只包含单个物体的图片	patch

基本流程有以下步骤：

a. 首先使用有标签数据，训练出一个较好的模型，然后在无标签数据上推理，得到伪标签，并使用阈值进行过滤掉分数低的目标框。

b. 然后重新训练模型，将有标签的样本和伪标签的样本使用StackImage的方式进行拼接，然后送入到模型进行训练。

c. 训练后的模型，在测试集上效果变的更好了，再使用这个模型重新生成无标注数据的伪标签并进行阈值过滤，然后再重复上述训练过程。

d. 直至模型在测试集上的分数不再上升为止。

由于这些无标签数据的获取顺序是，初赛A榜时有test1_A，初赛B榜时有test1_B，复赛时有domain5， domain6，因此整个半监督学习的过程如下图所示：

模型融合

1. 模型内部融合

模型内部融合我们采取的策略是结合图像尺度和数据增强，其实也就是TTA。

在尺度方面，在训练时设置的(1.5, 3.5)范围内选择多个尺度进行消融实验，最终确定使用2.0, 2.5, 3.0的缩放比例，然后分别进行模型推理。

在数据增强方面，在不同的尺度下，进行verticalFlip、Rotate90、Horizontal Flip数据增强，然后进行模型推理。

最终将得到的多尺度多数据增强的推理结果进行融合。

2. 模型之间的融合

比赛最后发现，仅使用res2net101-fasterrcnn单模型TTA就已经能够稳坐第一的位置，但是为了能有更好的成绩，我们选择在比赛限制内，融合更多的模型。

由于比赛限制模型大小600M，因此在这个范围内，经过了FP16的压缩，可以进行以下三个模型的融合：

a. res2net101-fasterrcnn

b. resnext101_32x4d-fasterrcnn

c. resnext101_64x4d-fasterrcnn

使用这个三个模型，分别完成上述的模型训练过程，然后各自进行模型内部融合，将各自的融合结果进行模型之间的融合。

3. 模型融合方法

模型融合采用WBF融合策略，如下图所示。

注意：针对不同的任务，WBF的过程需要一定程度的调参实验，可得到较好的效果。

四、总结和思考

总结

1. 模型选择

   基线模型：Faster-RCNN

   BackBone：Res2Net101、Resnext101_32×4d、Resnext101_64×4d

   检测框架：MMDetection

2. 主要技术

   数据增强：数据平衡、StackImage、 MixupObject、FixScale

   Tricks：半监督学习、DCN、 Global Context、COCO预训练、TTA、 WBF、ClsLossWeight

思考

1. 充分理解赛题和评价指标，充分理解经典模型的原理及其适用场景，以便更好地进行模型选型。

2. 关注新技术，决赛时发现大部分选手都使用了swin-transformer，说明应该还是很强的。

3. 充分理解数据，决赛时才知道domain5、domain6是来自两个不同X光机器的图片，如果更细致去分析其中的特点进行相关工作，可能会有更好的效果。

4. 充分理解评价指标，可以看到计算AP50时，不同类别的权重是不一样的，这一点暂时没想好更好的办法利用这一点得到更好的结果。

以上就是我们的分享，希望有兴趣的同学一起交流，啄云智能算法团队常年招收优秀算法工程师（邮箱：[e-mail]），谢谢大家。

宋志龙

啄云智能算法工程师

王威

啄云智能算法工程师

整理不易，点赞三连↓