自动网络搜索（NAS）在语义分割上的应用（二）
前言：
本文将介绍如何基于ProxylessNAS搜索semantic segmentation模型，最终搜索得到的模型结构可在CPU上达到36 fps的测试结果，展示自动网络搜索（NAS）在语义分割上的应用。
随着自动网络搜索（Neural Architecture Search）技术的问世，深度学习已慢慢发展到自动化设计网络结构以及超参数配置的阶段。尤其在AI落地的背景下，许多模型需要部署在移动端设备。依据不同设备（GPU， CPU，芯片等），不同的模型需求（latency， 模型大小，FLOPs），使用NAS自动搜索最佳网络结构将会是一个很有潜力的方向。上一篇介绍了NAS的基本框架和入门必读DARTS [1]，以及在semantic segmentation领域的应用。 距离现在才不过几个月，NAS论文数量明显增长：在理论研究方面，search strategy，evaluation performance的方法看似趋于稳定，不得不提到最近FAIR团队的RegNet [2]探讨了搜索空间的设计，通过大量实验把常见的设计模型的理论一一验证，我们可以根据它的结论缩小搜索空间从而提高搜索效率；在应用方面以还是object detection为主，也有segmentation， reID， GAN等领域。
NAS算是一项新技术，但是语义分割semantic segmentation却是老生常谈。自FCN的问世起，SegNet, UNet这种简单粗暴的encoder-decoder结构在多种图像上都能达到可以接受的结果，deeplab系列之后更是在开源数据集达到巅峰。从学术角度看semantic segmentation似乎已达到瓶颈，于是researcher们纷纷转向小样本，semi-supervised，domain adaption, cloud point等方向另辟蹊径。但是semantic segmentation落地却非常困难。在实际落地场景中，使用常见的backbone (resnet或yolo系列) 就能够完成各种object detection任务，但是在segmentation上效果却不好：
-
由于光线等原因，实际场景图像的intensity分布更复杂，而segmentation需要细分边界， 对像素值的判定尤为重要。然而，相比detection来说segmentation的数据标记成本高导致训练数据较少，只依靠data augmentation等手段提升有限。
-
Segmentation是pixelwise的任务，因为它要处理到每一个pixel，所以模型一般都会比object detection的模型大许多（你看这个模型它又长又宽）。如果你的模型被要求real-time推理（>16 fps），那么准确度和速度必然会成为冲突，Double kill！
-
当语义分割用在了视频流，对准确度的要求会更高。即使每两帧只相差几个pixel，即使在mIoU的数值上相差无几，但是人眼看上去不够稳定，会有“抖动”的边界， Triple kill！
-
当语义分割模型走下云端，部署在算力有限的移动端，底层芯片可能对很多操作不支持，使得在原本在可以在GPU上开心玩耍的模型到了CPU上便一朝打回解放前， Quadra kill！
Semantic segmentation落地必须要平衡模型的准确度和速度，而设计这样的网络结构又十分困难。尝试了BiSeNet [3]，ShuffleNetv2 [4]，MobileNetv3 [5]等一系列小模型，但是准确度和速度都没达到要求。正所谓万丈高楼平地起，成功只能靠自己，最终还是要寄希望于NAS自动搜索出满足条件的模型。上篇介绍的NAS用在语义分割还在探索阶段，在GPU上运行并且尝试减小FLOPs或Params。但是FLOPs或者参数量与模型推理速度并不是正相关，只减少参数量不能满足实时推理的要求。后来的FasterSeg [6]看似速度惊人，其实也用了TensorRT来加速。本文将尝试在CPU上完成实时的人形分割的任务，选择ProxylessNAS作为baseline来搜索模型结构。实验结果证明了ProxylessNAS [7]还是经得起考验的，业界良心。
1.Overview of ProxylessNAS
选择ProxylessNAS [7]的原因不仅仅是它出自名门，代码开源，在Cifar10和ImageNet数据集的准确度能从一众NAS模型中脱颖而出， 而且它也是比较早的考虑到了模型性能的work（如速度，模型大小，参数量）。 除此之外，与DARTS [1]系列搜索的DAG cell不同，ProxylessNAS [7]的主干网络采用简单的链状结构。这种链状结构(chained-structure)比DAG cell有明显的速度优势，因为它的算子之间的连接方式比较简单。
1.1 Super-net setting
我们还是用NAS的基本框架来解析ProxylessNAS [7]。
-
Search Space: 在搜索空间中定义的operation candidate的是来自MobileNetv2 [8]的block，分别取不同的kernel size（3, 5, 7）和不同的expansion rate（3，6），再加上identity和zero操作一共8种ops（c.f. Figure 1）。 网络的宏观结构是一个常见的链状结构来完成classification, 每一层都有8个ops candidate（c.f. Figure 2）。正如前面提到的，算子之间太复杂的连接方式会让速度变慢，常见的小模型结构都是这种链状结构。
-
Search Strategy: 搜索策略采用可微分的方法，这种搜索策略近两年很常见。虽然不及RL和EA稳定，但是可以大幅度提高搜索速度。
-
Evaluation Performance: One-shot 权值共享, 也是现有最常见的super-net的形式。对于计算资源匮乏的团队和个人来说，这种方式能够提高搜索效率减少内存占用。
1.2 Super-net training
Super-net的参数包含两部分：operation本身的参数和每个operation的权重（在Figure2中记为{alpha，beta，sigma … }）。将训练数据分成两部分，一部分用来训练super-net里面operations的weight，另一部分用来更新ops的权重。
-
Training： 每个iteration开始的时候，在每一层都随机激活一个operation（c.f. the binary gate in Figure 2），将所有激活的operation连接起来组成一条子网络记为subnet，通过back propagation来更新这条subnet的weight。没有激活的ops不放入内存，也就是说训练的时候只有一条subnet在内存中，这也使得整个搜索过程可以在单卡上完成。
-
Searching：每个operation的权重alpha代表它的重要程度，也就是最终被选择的概率，probability = Softmax(alphas)。换言之，搜索的过程，就是不断更新权重alpha的过程。和training一样，每个iteration都要随机激活一条subnet，但是这次要让operation的weight固定，通过back propagation计算这条subnet上的alpha。Paper里面Eq (4)给出了计算方式，由于binary gate和probability成正比，公式里面将loss对probability的求导转化成对binary gate的求导，而loss对binary gate的导数在back propagation的时候有计算过并且保存了下来（这部分paper没有细说可参考源代码）。
Figure 2所表达的ProxylessNAS的流程，其实就是一边训练operation参数，一边更新operation的权重alpha，最后用Softmax选择每一层中拥有最大probability的operation即可。读过paper之后确实发现有许多值得借鉴之处，但是同样也有一些疑问 (c.f. Table 1)。
Table 1 discusses the advantages and remaining issues of ProxylessNAS
2.Real-time Semantic Segmentation using ProxylessNAS on CPU
尽管对ProxylessNAS还有很多没有解决的问题，奈何单卡搜索训练省时省力瑕不掩瑜。借助Intel的openvino推理框架，本文尝试用ProxylessNAS搜索可运行在CPU(x86)上的real-time semantic segmentation模型做人形分割，下面会详细介绍对算法的改进和实验结果。
2.1 Super-net setting
-
Search space: 在设置搜索空间的时候，秉着大力出奇迹的心态我把常用的operation都塞了进来，分别是MBv3 (3x3), MBv3 (5x5), DilConv (3x3), DilConv (5x5), SepConv (3x3), SepConv (5x5), ShuffleBlock一共7种ops。其中MBv3是来自MobileNetv3 [5]的基本模块，DilConv和SepConv是来自DARTS [1]的dilated sepatable convolutions和separable convolutions，ShuffleBlock是来自ShuffleNetv2 [4]的基本模块，前面三种operation都设置了两种kernel size可以选择。在定义宏观网络结构的时候，采用deeplabv3+ [9]的结构 (c.f. Figure 3): head + searchable backbone + ASPP + decoder。与UNet类似，将encoder的feature map直接”add”到decoder，这里没有用”concatenation”是为了避免模型过“宽”使速度变慢。其中s2, s4, s8, s16, s32分别指feature map的resolution下降2，4，8，16，32倍。与ProxylessNAS类似，supernet的参数包含两部分，一部分是operation本身的weight，另一部分是operation的权重alpha。
-
Searching Strategy: 延续ProxylessNAS的可微分求导方式
-
Evaluation Performance: One-shot权重共享
2.2 Improvement from ProxylessNAS
-
Decoupling the training and searching process: 在ProxylessNAS中“training”和“searching”是同时轮流完成的，也就是一边训练一边搜索。我在实验的时候把“training”和“searching”彻底分开，先用50个epochs只更新super-net里面operation的参数，在训练之后，再更新operation的权重alphas。这么做的原因是避免在operation参数不稳定的时候，某些alpha过大影响后面的决策。
-
Consider the latency as a hard constraint: 因为模型推理速度比较重要，而且不能用简单的叠加方式计算，所以每次随机激活subnet的时候都要算一下这条subnet的推理速度，如果不符合要求（如latency > 30ms）则重新搜索一条subnet，这样一定程度上避免很多推理速度过慢的operation被选择和学习。
2.3 Experiments
Experiment setting:
-
Task: 基于CPU（x86）的实时人像分割
-
DL platform: Intel openvinohttps://software.intel.com/content/www/us/en/develop/tools/openvino-toolkit.html
-
Dataset : >20k张图像，一部分来自 coco/pascal数据集中带有”person”类别的，另一部分是私有数据
-
Data augmentation: random crop, cutout, random brightness/contrast adjust, random Gaussian blur/sharpen
-
Searching time: 单卡2 GPU days (K80) 包括training和searching
Experimental results:
在同一网络结构下，我们用MobileNetv3 [5]作为backbone进行对比，对比结果见Table 2。
Table 2 illustrates the experimental results
从实验数据来看，MobileNetv3 [5]的参数量和FLOPs都比我们搜索出来的小一倍，但是在K80上的推理速度很相近，准确度mIoU差别较大。如果综合考量准确度和速度的话，我们用ProxylessNAS [7]搜索出来的backbone要明显优于MobileNetv3 [5]的backbone。 Figure 4的实验结果可以看出当feature复杂一些的时候，MobileNetv3 [5]的结果要差很多
将模型转化成openvino可支持模式部署在CPU (Intel Core i7-8700)上，运行速度在27ms每帧左右（FPS=36），结果如Figure 5。
是时候展示一下搜索出来的backbone了，长这样~ (c.f. Figure 6)
3．Future work
通过实验我们看到ProxylessNAS搜索策略可以从classification迁移到segmentation，在速度相仿的情况下，搜索出来的网络要比原本MobileNetv3 [5]准确度提高很多。但是只限于当前的场景，不能说人工设计出来的模型就不好或一定会被取代（虽然MobileNetv3也是NAS搜出来的）。在特定场景和有特定需求的时候，用NAS设计网络结构确实比人工设计加上大量调参实验要更高效，在AI落地方面更有发展前景。本文只是初探ProxylessNAS，后续还会有以下几个方面的探索。
-
实验结果表明super-net权值共享的形式有一定合理性。但是在结构搜索的时候，将每层probability最大的operation组成subnet作为输出结果还是有不合理之处。因为subnet在搜索和训练的时候具有一定的耦合性，每层的operation一荣俱荣一损俱损。最终将每层最佳的operation选出来，组合在一起的时候未必能符合预先设定的hard constraint，这里还是有需要改进的地方，比如可以计算相邻两层operation的sub-path的权重代替每层operation的权重。
-
ProxylessNAS是MIT Hansong团队早期的work，现在已有后续OFA问世（也是跪着读完的）。在OFA中作者彻底将training和searching分开，结合了knowledge distillation，先训练teacher model，然后用NAS的思路在teacher model中搜索出最佳student model。OFA可以理解为自动化network pruning或自动distillation。如果OFA实验效果好，后续还会有关于OFA的实战经验的分享。
-
Figure 5种实际效果展示的时候，人像和背景融合的比较自然，但是语义分割归根到底是一个分类任务，边缘的pixel“非黑即白”，如果想要和背景自然的融合，需要计算出前景的透明度alpha matte，这里涉及到另一项背景抠图技术，和segmentation配合使用效果更佳。其实Figure 5的下图中已经看出segmentation没有把头发分割出来，但是在结果中却保留了下来，也是用了背景抠图的原因。Matting除了可以优化segmentation结果，还可以实现切换背景(cf. Figure 7)，PS等功能。
下一篇我会介绍一下关于背景抠图的实战经验，敬请期待。
References
[1] Liu, Hanxiao, Karen Simonyan, and Yiming Yang. "Darts: Differentiable architecture search." ICLR (2019).
[2] Radosavovic, Ilija, et al. "Designing Network Design Spaces." arXiv preprint arXiv:2003.13678 (2020).
[3] Yu, Changqian, et al. "Bisenet: Bilateral segmentation network for real-time semantic segmentation." Proceedings of the European conference on computer vision (ECCV). 2018.
[4] Zhang, Xiangyu, et al. "Shufflenet: An extremely efficient convolutional neural network for mobile devices." Proceedings of the IEEE conference on computer vision and pattern recognition (CVPR). 2018.
[5] Howard, Andrew, et al. "Searching for mobilenetv3." Proceedings of the IEEE International Conference on Computer Vision (ICCV). 2019.
[6] Chen, Wuyang, et al. "FasterSeg: Searching for Faster Real-time Semantic Segmentation." ICLR (2020).
[7] Cai, Han, Ligeng Zhu, and Song Han. "Proxylessnas: Direct neural architecture search on target task and hardware." ICLR (2019).
[8] Sandler, Mark, et al. "Mobilenetv2: Inverted residuals and linear bottlenecks." Proceedings of the IEEE conference on computer vision and pattern recognition (CVPR). 2018.
[9] Chen, Liang-Chieh, et al. "Encoder-decoder with atrous separable convolution for semantic image segmentation." Proceedings of the European conference on computer vision (ECCV). 2018.
