工业视觉中的目标检测——兼谈天池大赛优胜方案

https://www.jishuwen.com/d/2wwU

目标检测是计算机视觉领域研究最火热的领域，这从计算机视觉顶会CVPR相关论文中数量就能看得出来。

目标检测应用范围广泛，上至卫星遥感，下至自动驾驶，大到鲸鱼保护，小到生物细胞分析，都有其用武之地。

我们在论文中常见的MS COCO数据集，多以生活类自然场景中的目标为主，如下图：

做一个通用的目标检测器，当然很有意思，但在工业视觉领域有很多特定的目标，如果能解决好了，往往非常具有商业价值。

CV君有好几位朋友创业方向都选择了工业视觉领域，这个领域商业化模式清晰，足够垂直，国家也鼓励工业 4.0 。一套自动化的产品瑕疵（缺陷）检测系统，一年就可以帮工厂省几百万甚至上千万资金。

阿里天池平台曾经举办过大量的数据竞赛，让人印象深刻的计算机视觉比赛比如 津南数字制造算法挑战赛【赛场二】 X光图像的违禁物品检测分割， 2018广东工业智造大数据创新大赛—智能算法赛 铝型材表面瑕疵识别 ，和最近刚上线的 百万奖金！ 天池发起广东工业制造创新大赛 赛场一： 布匹疵点智能识别 ，都与目标检测相关。

布匹疵点智能识别比赛图像示例

布匹 疵 点智能 识别比赛目标标注

比赛嘛，当然是追求高精度，下面将结合一些最新的论文和天池上目标检测相关比赛的优胜方案，谈谈如何提高模型精度。

首先要推荐的是亚马逊李沐团队的论文及代码：

Bag of Freebies for Training Object Detection Neural Networks

https://arxiv.org/abs/1902.04103v1

https://github.com/dmlc/gluon-cv

作者们在文章主要公布了以下训练实用技巧：

1.视觉一致的Image Mixup（Visually Coherent Image Mixup for Object De- tection）

Image Mixup已经成功用于图像分类的样本增广，在很多比赛中也经常被冠军所用，做法非常简单，图像简单按照比例进行像素混合，如下图：

同样，将带有目标的两幅图像也可以像素混合，生成新的图像含有含有原来的目标，用在目标检测的Image Mixup示意如下：

2.分类头标签平滑（Classification Head Label Smoothing）

3.数据预处理（Data Pre-processing）

主要是随机几何变换和颜色扰动。

4.训练调度程序改造（Training Scheduler Revamping）

改进学习率的衰减方法，使用cosine schedule 代替step schedule取得了更好的结果，如下图：

5.同步批归一化（Synchronized Batch Normalization）

为了方便多GPU训练（如果你有多个GPU的话。。。）。

6.随机形状训练（Random shapes training for single-stage object detection networks）

通过组合以上目标检测训练技巧， 训练Faster RCNN和YOLOv3之后，获得的精度增益，相同的算法最多竟有+4.0%AP的增长 （COCO数据集）！

另外，研究往届比赛的优胜方案也能对我们有所启发。

冠军们使用什么框架？

商汤开源的mmdetection， 和Facebook开源的Detectron 是被提及最多的目标检测框架，它们本身实现了大量state-of-the-art算法，而且用户众多，有问题也比较容易解决，是 大 家快速参与比赛的 首选。

https://github.com/open-mmlab/mmdetection

https://github.com/facebookresearch/Detectron

选择哪一种目标检测算法？

这时候不能不提到 Cascade RCNN，曾经在多个比赛中斩获冠军。

Cascade R-CNN升级！目标检测制霸COCO，实例分割超越Mask R-CNN

目前也是COCO数据集上的最高分获得者。

但也不能完全迷信论文里的State-of-the-art，在 铝型材表面瑕疵识别比赛中，冠军使用的模型的基础结构是Faster RCNN（但也是做了大量改进）。

详见：

https://tianchi.aliyun.com/forum/postDetail?spm=5176.12586969.1002.3.743c4cb2ixWGxm&postId=38469

数据增广和模型融合是必不可少的！

几乎所有的优胜团队都会提到数据增广，图像翻转、旋转、平移、颜色扰动等。

尤其是处理类别不平衡问题，有时候甚至成为比赛获胜的关键。

在目标检测领域还有一大难点是小目标的检测，这里强烈推荐大家参考论文：

Augmentation for small object detection

https://arxiv.org/abs/1902.07296

通过造数据的方式使得小目标类别在整体更均衡，可以有效改进算法效果。

模型融合也是非常关键的，大家可以从铝型材表面瑕疵识别冠军方案的这张图中看出来：

天池优胜方案链接：

https://tianchi.aliyun.com/competition/entrance/231703/forum

https://tianchi.aliyun.com/competition/entrance/231682/forum

鼓励大家去天池玩一下布匹疵点智能检测比赛，在实际问题中提高技术水平！