refinedet模型介绍

Two Stage 的精度优势

二阶段的分类：二步法的第一步在分类时，正负样本是极不平衡的，导致分类器训练比较困难，这也是一步法效果不如二步法的原因之一，也是focal loss的motivation。而第二步在分类时，由于第一步滤掉了绝大部分的负样本，送给第二步分类的proposal中，正负样本比例已经比较平衡了，所以第二步分类中不存在正负样本极度不平衡的问题。即二步法可以在很大程度上，缓和正负样本极度不平衡的分类问题
二阶段的回归：二步法中，第一步会先对初始候选框进行校正，然后把校正过的候选框送给第二步，作为第二步校正的初始候选框，再让第二步进一步校正
二阶段的特征：在二步法中，第一步和第二步法，除了共享的特征外，他们都有自己独有的特征，专注于自身的任务。具体来说，这两个步骤独有的特征，分别处理着不同难度的任务，如第一步中的特征，专注于处理二分类任务（区分前景和背景）和粗略的回归问题；第二步的特征，专注于处理多分类任务和精确的回归问题
特征校准：在二步法中，有一个很重要的RoIPooling扣特征的操作，它把候选区域对应的特征抠出来，达到了特征校准的目的，而一步法中，特征是对不齐的

一、RefineDet 论文介绍

发表于CVPR2018，题目是single-shot refinement neural network for object detection

附上一篇很好的论文解读博客：RefineDet算法笔记

1、网络介绍

网络框架如下，由于和SSD、FPN的思想一脉相承，很好理解所以我不多介绍了，直接贴作者的描述：

 

这个是RefineDet的检测框架。该框架由两个模块组成，即上面的Anchor Refinement Module（ARM）和下面的Object Detection Module（ODM），它俩是由Transfer Connection Block（TCB）连接。  

 • 在这个框架中，ARM模块专注于二分类任务，为后续ODM模块过滤掉大量简单的负样本；同时进行初级的边框校正，为后续的ODM模块提供更好的边框回归起点。ARM模块模拟的是二步法中第一个步骤，如Faster R-CNN的RPN。  

 •ODM模块把ARM优化过的anchor作为输入，专注于多分类任务和进一步的边框校正。它模拟的是二步法中的第二个步骤，如Faster R-CNN的Fast R-CNN。    

• 其中ODM模块没有使用类似逐候选区域RoIPooling的耗时操作，而是直接通过TCB连接，转换ARM的特征，并融合高层的特征，以得到感受野丰富、细节充足、内容抽象的特征，用于进一步的分类和回归。因此RefineDet属于一步法，但是具备了二步法的二阶段分类、二阶段回归、二阶段特征这3个优势。

作者觉得two stage方法的第二步（逐区域检测）由于并行很多inference的原因，效率很低，所以对其进行了改进。作者认为他们是对one stage方法的改进，我倒是觉得这个更接近two stage的方法，对此作者也有解释（作者准备真充分……）：

当时RefineDet提出来的时候，有不少人说，RefineDet不属于一步法，毕竟有两阶段的分类和回归。我们认为，二步法之所以精度比较高，是因为它有一个逐区域操作的第二步，这个操作非常有效果，但也比较耗时，而RefineDet在没有用逐区域操作的情况下，获得了同等的效果。因此我们认为，区分一步法和二步法的关键点：是否有逐区域的操作。

2、性能分析

 

速度和SSD相近，精度明显更高，精度更高没什么好说的，速度在多了下面一部分卷积层和反卷积层的情况下没有明显下降，作者分析有两点原因，anchors较少以及基础网络后的附加网路层数少、特征选取层更少（4个，我记得SSD有5个），作者原文：    

1. 我们使用了较少的anchor，如512尺度下，我们总共有1.6W个框，而SSD有2.5W个框。我们使用较少anchor也能达到高精度的原因是二阶段回归。虽然我们总共预设了4个尺度（32，,64，128，256,）和3个比例（0.5，1，2），但是经过第一阶段的回归后，预设的anchor被极大的丰富了，因此用于第二阶段回归的anchor，具备着丰富的尺度和比例。    

2. 第2个原因是，由于显存限制，我们只在基础网络的基础上，新加了很少的卷积层，并只选了4个卷积层作为检测层。如果增加更多卷积层，并选择更多检测层，效果应该还能得到进一步提升。

3、经验总结

作者有关训练的总结：
    Ø 首先输入尺度越大效果越好，在小目标多的任务上体现的更明显
    Ø 小batch会影响BN层的稳定
有关BN层和batch的事我们多提一句，由于目标检测输入图尺寸大、网络尺寸大（如ResNet），一个batch可能就1、2张图片，所以目标检测任务的BN层基本都是不开放训练的，优化思路一般是：多卡BN同步（旷世论文MegDet），使用固定的BN参数（参考某个数据集得出），或者干脆是提出其他的BN层变种（如何凯明的group normalization之类），作者提到何凯明论文Rethinking ImageNet Pre-training 有讲到或者应用这三种方法。

二、后续改进

a、SRN

这是作者后续的文章，继续上篇文章进行了探讨，不过这几篇文章是人脸检测领域

 

Shifeng Zhang, Xiangyu Zhu, Zhen Lei, Hailin Shi, Xiaobo Wang, Stan Z. Li, S3FD: Single Shot Scale-invariant Face Detector, ICCV, 2017
Shifeng Zhang, Longyin Wen, Hailin Shi, Zhen Lei, Siwei Lyu, Stan Z. Li, Single-Shot Scale-Aware Network for Real-Time Face Detection, IJCV

网络介绍

网络设置如下，注意P5、P6和P7之间的关系：C2->C5是backbone，P5->P2是反向backbone，而C6、C7、P6、P7都是在backbone后面额外添加的3*3卷积层。

 

按照作者的说法，他将第二阶段的分类、回归操作进行了解耦：
    a. Conduct the two-step classification only on the lower pyramid levels (P2, P3, P4)
    b. Perform the two-step regression only on the higher pyramid levels (P5, P6, P7)
原因如下：如果实际去计算一下，可以发现anchors选取的过程中，浅层的占比要远大于深层的占比（空间分辨率大），这导致大量的负样本集中在浅层，所以对其进行预分类是必要的；而深层感受野本身很大，分类相比之下很容易，没必要进行两次分类。
这篇论文是人脸分类的文章，其具体流程原文说的也不甚详细，我的理解是C2->C4仅进行分类，C5->C7仅进行回归，而P系列则完全和RefineDet一致。

b、AlignDet

之前提到了one stage相较于two stage的四个劣势，refine解决了前三个，最后的特征校准遗留了下来，这里作者把它补上了（又成了一篇文章233），由于原理很简单没什么好说的，贴张图自己理解一下吧：

 

三、讨论

更快的速度
更高的准确率
    a. 小物体检测：人脸检测的主要难题就是小物体检测
    b. 遮挡问题：   行人检测的主要问题就是遮挡去除
多任务
    例如检测+分割（最终目标：实例分割、全景分割）
视频目标检测
    利用视频的连续性：精度提升
　利用视频的冗余性：速度提升