从损失函数解决关于密集遮挡人群的检测问题

关于密集遮挡的行人检测

行人检测是计算机视觉领域的一个重要研究课题，在自动驾驶，视频监控和机器人等各种应用，旨在预测一系列行人实例的边界框。实际上，在现实生活中的复杂情景中，遮挡是行人检测的最重要挑战之一，尤其是在拥挤的场景中。例如在CityPersons数据集中48.8 ％行人其它行人互相遮挡。以前的方法只要求每个预测的边界框都接近其指定的GT，而不考虑它们之间的关系。因此，它们使得检测器对拥挤场景中的非最大抑制（NMS）的阈值敏感，这种密集遮挡问题并不能单靠调整NMS阈值来解决，较大的NMS阈值导致很多误检，较小的NMS阈值导致很多漏检。

有些论文专门提出方法来解决密集和遮挡问题，本文将关注Occlusion-aware R-CNN:Detecting Pedestrians in a Crowd（简称为OR-CNN）和Repulsion Loss两个解决方案。

1.OR-CNN

该论文以Faster R-CNN为基础，对损失函数部分和RoIPooling两个部分分别做出了一些改进。本博客将主要关注对损失函数改进的部分，提出聚集损失（AggLoss）来改进密集遮挡问题。

Faster R-CNN是两阶段检测方法，分别在RPN和R-CNN头部网络检测。为了在RPN模块中能有效的生成更加准确的区域候选框，设计了AggLoss使候选框尽量的靠近对应的GT，并且同一个GT对应的所有proposal boxes尽量紧凑。其定义如下：

损失函数包含两个部分，分类损失和AggLoss，其中分类损失是与原始论文一样，使用交叉熵损失。AggLoss定义如下：

      AggLoss 包含常规的回归损失用于使proposal boxes尽量靠近GT，同时还有一个compactness loss，Lcom，用于使同一个GT对应的多个proposal boxes之间尽量紧凑，定义如下：

    

      由以上定义可知，Lcom是专门针对一个GT对应了多个anchor的情况，让同一个GT对应的候选框之间尽量的紧凑，通过计算GT与多个候选框的均值之间的smoothL1实现。

      AggLoss的思想非常简单，损失设计也很简洁，只是在原来的损失基础上增加了一个Lcom，从而达到了使候选框尽量的靠近对应的GT，并且同一个GT对应的所有proposal boxes尽量紧凑的目的。效果很赞，在多个公开数据集上达到了SOTA，作者对比了使用原始损失和AggLoss的区别，见下图。

这两个图很有意思，能反映一些问题，图a是没有使用NMS的预测结果，可以明显看出AggLoss的预测结果更好，基线的预测结果框比较分散，AggLoss的结果同一个GT的框更加紧凑，这种情况使用NMS可轻松去掉冗余框而不会出现漏检或者误检。图b是NMS阈值对预测结果的影响，对于基线方法0.55是一个分水岭，NMS阈值小于0.55时，错误率一直下降，但是超过0.55之后错误率大幅增加。对于AggLoss情况，错误率曲线更加平滑，首先整体错误率比基线更低，其次NMS阈值对AggLoss的影响没那么大，而且NMS阈值增加到0.55继续增加也不会出现错误率上升的情况，因为AggLoss的预测框更加紧凑，使用NMS很容易过滤冗余框。

 

2. 互斥损失

      Repulsion Loss是旷视提出的，针对密集遮挡行人问题在损失函数做了一些改进。其想法也很简单，对于密集遮挡问题，如何处理同一个GT对应的多个候选框以及不同的GT对应的候选框？类似磁铁原理，同性相斥异性相吸，RepLoss使同一个GT对应的多个候选框尽量的紧凑聚集，不同GT对应的候选框尽量远离，有点类似triplet loss的想法。函数设计如下：

其中LAttr是吸引损失，其实就是常规使用回归损失smoothL1，RepGT和RepBox分为两个排斥损失，第一个使proposals远离具有第二大IoU的GT，第二个使不同GT对应的proposals尽量远离。

注意，第一个loss中作者使用了IoG而不是传统的IoU，原因在于GT无法改变，如果使用IoU则网络可以通过放大proposal的方式来降低loss，这并不是我们所期望的。如果直接使用IoG，分母是GT的面积无法改变，从而规避了这样的问题。

其中这个Smooth_ln是针对0到1的输入变量设计的一个鲁棒函数，具体形状如下所示：

可以看到，正如Smooth_l1不会对特别大的偏差给予过大的惩罚，Smooth_ln对于很小接近于1的输入也不会像原始的ln函数一样给予负无穷那么大的loss，从而可以稳定训练过程，而且对抗一些离群点。

      NMS对错误率的影响曲线，相对于基线，RepLoss的曲线会更加平滑，且在各个阈值都要优于基线方法。

 

 

参考：

[1] Wang, X., Xiao, T., Jiang, Y., Shao, S., Sun, J., & Shen, C. (2017). Repulsion Loss: Detecting Pedestrians in a Crowd. arXiv preprint arXiv:1711.07752.

[2] Zhang, S., Wen, L., Bian, X., Lei, Z., & Li, S. Z. (2018). Occlusion-aware R-CNN: Detecting Pedestrians in a Crowd. arXiv preprint arXiv:1807.08407.

[3] https://zhuanlan.zhihu.com/p/43655912