https://github.com/facebookresearch/Detectron.
1. 素质四连
- 要解决什么问题?
-
- 之前的研究使得物体检测、图像分割任务的性能有了很大的提高,但对物体分割任务(instance segmentation)没有很大提升。
- 建立一套基于物体分隔的模型架构。
- 用了什么方法解决?
-
- 在Faster R-CNN添加了预测mask的部分(与预测bbox的类别信息与位置信息平行)。
- 效果如何?
-
- 没有进行大规模优化,就在COCO数据集的三项任务——物体分割、物体检测、人体关键点检测 中超过其他所有模型。
- 使用RoI Align解决 mis-alignment 的问题,提高模型精度(特别是对于小物体)。
- 还存在什么问题?
-
- Faster R-CNN系模型的主要问题在于测试速度慢,达不到实时要求。
- PS:为了训练COCO,论文中用8GP训练了2天,对我这种就1块GPU的人来说……
2. 网络结构
2.1. 综述
- 大部分结构与Faster R-CNN相同。
- 不同之处:
-
- 使用RoIAlign替代RoIPool。
- 添加预测mask的分支(与预测bbox平行)。
2.2. 论文配图如下
- 流程介绍:
-
- 原始图片(图中最左边的图片)通过基础网络(图中忽略)提取特征。
- RPN(图中忽略)以基础网络特征图为输入,获取一系列RoI(图中 RoIAlign 层中的多个矩形框),即候选区域。
- RoIAlign(图中RoIAlign) 以基础网络特征图为输入,结合RPN层获取的RoI,为每个RoI获取固定尺寸的特征图(图中左边数第一个conv层)。
- 以RoIAlign层输出的固定尺寸特征图为输入,预测图像的bbox,包括位置信息与分类信息。(即图中获取 class box的结果)。
- 以RoIAlign层输出的固定尺寸特征图为输入,预测图像的mask。(即图中两个conv以及最终结果)。
2.3. 模型分层
- 基础网络,论文中使用了以下两中基础网络:
-
- Faster R-CNN原文中使用的ResNet。
- 另一篇论文中提到的 ResNet-EPN。
- Head Architecture:
-
- 以基础网络输出作为输入,预测bbox、instance segmentation信息。
- 与Faster R-CNN不同之处(论文配图如下)
-
-
- 灰色背景部分是原先的结构,其他部分是Mask R-CNN的添加部分。
-
3. 重点
3.1. Mask
- Mask的设计:
-
- 对每个RoI分别预测其mask。
- 解耦(decouple)mask和分类信息,换句话说,就是每一类物体分别预测mask。
- 从模型角度,每个RoI的的mask预测结果尺寸为[m, m, k],其中m为mask的长宽,k为分类数量。
- 在实际运行时,根据RoI的分类信息,来选择对应通道的mask。
- 如何计算mask?
-
- 输入:RoIAlign输出的固定尺寸特征图。
- 输出:shape为[m, m, k]的mask。
- 方法:论文中说,利用FCN论文(图像分割算法)中的方法计算,本质就是利用转置卷积操作。
- 其他方法:参考资料TensorFlow Object Detection API 中的 box_predictor.py,_predict_masks函数使用了bilinear resize和convolution来替代转置卷积。
3.2. RoIAlign
- 参考博客(强烈推荐):详解 ROI Align 的基本原理和实现细节。
- 强烈推荐看上面这篇文章,但我自己还是要稍微总结一下。
- RoIAlign要解决的问题(即RoI Pooling存在缺陷):
-
- 在计算RoI Pooling时,会进行两次量化(在这里指的就是去掉小数部分,只保留整数):
-
-
- 获取每个RoI在基础网络特征图中对应的区域时,会对对应区域的特征图边界进行量化。
- 在将RoI对应的特征图转化为固定尺寸的特征图时,也会进行量化。
-
-
- 问题描述:在进行量化时,特征图对应的原始数据会有减少,影响模型整体精度。
- 解决方案:保留所有特征图所在浮点数位置坐标,使用双线性插值获取特征图上所有点的取值。
- 论文配图如下:
-
- 图中黑色点就是当前特征图中各点位置(位置坐标不一定是整数)。
- 图中虚线相交点位置就是原始特征图中各点的实际位置(位置坐标都是整数)。
- 以左上角黑点为例,双线性插值通过与四个当前黑点最近的实际特征点(位置坐标都是整数),来计算当前特征点(位置坐标不一定是整数)取值。
3.3. 训练细节
- 损失函数:
-
- 分为三部分:分类损失(与Faster R-CNN相同),位置损失(与Faster R-CNN相同),mask损失(本论文特有)。
- Mask 损失:
-
-
- mask的结果是K*m*m维向量,其中K为类别数量,m*m是mask的最终输出长宽。
- 计算每个像素的sigmoid结果,最终Mask 损失就是二维交叉熵损失的平均值(average binary cross-entropy loss)。
-
- 每个GPU同时训练两张图片(作者用了8GPU,所以batch size是16),输入图片尺寸为800*800。
- 训练时,每张图片的RoI数量为64/512(根据基础网络不同而改变);测试时每张图片RoI数量为300/1000。
- 正反例比例为1:3。
- anchors使用 5 scales 和 3 aspect ratios。
- weight decay为0.0001。
- 学习率:0.02,到120k iteration后为除以10。