摘要
虽然低 IoU
阈值,如 0.5
,会产生噪声检测(noisy detections
),但是,随着 IoU
阈值的增加,检测性能往往会下降。造成这种情况的主要因素有两个:1)由于在训练过程中正样本呈指数下降,过少的正样本导致网络训练期间过拟合。2)dismatch:检测器在最优的 IoU
与输入预测的 IoU
之间会产生mismatch
。由此,我们提出了多阶段的目标检测器结构:Cascade R-CNN
来解决 IoU
选择的问题。它由一系列不断增加 IoU
阈值的检测器组成,可以逐步的更接近目标的预测。。检测器是逐步训练的,前一个检测器输出一个良好的数据分布并作为输入,用于训练下一个更高质量的检测器。逐步改进的重采样保证了所有检测器都有一组相同大小的正样本,从而减少了过拟合问题。在 inference
阶段使用级联的检测器结构可以合理的提高了 IOU
的阈值而不会出现 mismatch
问题。
1,介绍
Cascade RCNN
是作者Zhaowei Cai
于2018
年发表的论文Cascade R-CNN: Delving into High Quality Object Detection
.
目标检测是一个复杂的问题,需要解决两个主要任务。首先,检测器必须解决识别问题,区分前景目标和背景目标,并为其分配匹配的类别标签。其次,探测器必须解决定位问题,为不同的目标分配精确的 bounding box
。许多目标探测器都是基于两阶段网络框架 Faster R-CNN
的。双阶段检测网络是一个多任务学习问题,包括目标的分类和边界回归。与物体识别不同的是,定义正/负样本需要一个 IoU 阈值。通常使用的 IOU
阈值 u=0.5
,0.5
对 IOU
的设置是相当低的。检测的目标经常包含很多噪声,如图 (a)所示。IOU 阈值取0.5,会有很多假的预测信息也都包含在内,从而会产生很多错误的预测信息。
1.1,Faster RCNN 回顾
先回顾下 Faster RCNN
的结构,下图是 Faster RCNN
的结构图。
training
阶段和 inference
阶段的不同在于,inference
阶段不能对 proposala
进行采样(因为不知道 gt
,自然无法计算 IoU
),所以 RPN
网络输出的 300
RoIs
(Proposals
)会直接输入到 RoI pooling
中,之后通过两个全连接层分别进行类别分类和 bbox
回归。
值得注意的是,Faster RCNN
网络在 RPN
和 Fast RCNN
阶段都需要计算 IoU
,用于判定 positive
和 negative
。前者是生成 256
个 Proposal
用于 RPN
网络训练,后者是生成 128
个 RoIs
(可以理解为 RPN
网络优化后的 Proposals
)用于 Fast RCNN
训练。
1.2,mismatch 问题
training
阶段和 inference
阶段,bbox
回归器的输入 proposals
分布是不一样的,training
阶段的输入proposals
质量更高(被采样过,IoU > threshold),inference
阶段的输入 proposals
质量相对较差(没有被采样过,可能包括很多 IoU < threshold 的),这就是论文中提到 mismatch
问题,这个问题是固有存在的,但通常 threshold
取 0.5
时,mismatch
问题还不会很严重。
2,实验分析
2.1,改变IoU阈值对Detector性能的影响
从上图可以看出:
- 同一个 detector 通常只会在一个小范围的 IoU 阈值 内性能最好,比如 IoU 阈值为 0.5 的 detector,在输入
proposal
和gt
的阈值为0.55-0.6
范围内,其性能最好。阈值为 0.6 的 detector 则在 0.6~0.75 阈值范围内性能最佳。 - 几乎所有的检测器输出框的 IoU 都好于输入 proposal 的 IoU(红绿蓝三条曲线都在灰色对角线上方)。
2.2,提高IoU阈值的影响
主要是分析对提高 IoU 阈值对 RPN 输出 Proposal 数量的影响,实验结果如下图所示。
上图纵坐标表示 RPN
输出 proposal 在各个 IoU 范围内的数量。
-
第一张图表示级联结构的第一级,可以等同为没有级联结构的
RCNN
网络。从图中可以看出,随着 IoU 的增加,IoU 在 0.6,0.7 及以上范围内的 proposal 数量越来越少。虽然这样产生更高精度的 proposal,但是也带来了两个问题:- 过拟合。
-
更严重的
mismatch
问题。RCNN
结构本身就存在这个问题,IoU 阈值的提高又加剧了这个问题。
-
第二、三图表示有级联结构的
RCNN
,从图中可以看出,随着stage
的加深,相应区域的依然拥有大量的proposal
,因此不会出现严重的过拟合的现象。
2.3,和Iterative BBox比较
Iterative BBox
的 H
位置都是共享的,而且 3
个分支的 IoU
阈值都取 0.5
。Iterative BBox
存在两个问题:
- 单一阈值
0.5
是无法对所有proposal
取得良好效果。 - 此外,
detector
会改变样本的分布,使用同一个共享的H
对检测是有影响的。作者做了下面的实验证明样本分布在各个stage
的变化。
红色表示离群点。
- 从上图可以看出,没经过一次回归,样本都会更靠近
gt
,即输出的样本分布会逐渐变化,使用同一个阈值0.5
的条件下,后面两个stage
就会有较多的离群点,使用共享的Head
网络权重是无法满足输入的变化的。 - 从上图还可以看出,每个阶段设置不同的 IoU 阈值,可以更好的去除离群点,从而适应不同的输入
proposal
分布。
3,网络结构
网络结构如下图(d)
上图中 (d) 和 (c) 很像,iterative bbox at inference
是在推断时候对回归框进行后处理,即模型输出预测结果后再多次处理,而 Cascade R-CNN
在训练的时候就进行重新采样,不同的 stage
的输入数据分布已经是不同的了。
简单来说 cascade R-CNN 是由一系列的检测模型组成,每个检测模型都基于不同 IOU 阈值的正负样本训练得到,前一个检测模型的输出作为后一个检测模型的输入,因此是 stage by stage 的训练方式,而且越往后的检测模型,其界定正负样本的 IOU 阈值是不断上升的。
Cascade R-CNN 的几个检测网络(Head
网络)是基于不同的 IOU 阈值确定的正负样本上训练得到的。
作者在 COCO 数据集上做了对比实验,达到了 state-of-the-art
精度。其中 backbone
为RsNet-101
的 Cascade RCNN
的 AP
达到了 42.8
。