cascade-RCNN

转载自：https://www.codercto.com/a/25258.html

背景介绍

通用目标检测是计算机视觉领域最广为关注的问题之一。尽管近年来自于CNN的目标检测算法较传统方法在准确率上取得的突飞猛进的进展，然而较目标分类问题而言依然还有很长一段路要走。早期的目标检测方法主要是由VJ框架所引领，其核心思想是在图像上枚举大量的滑动窗口，提取滑动窗口里的图像特征，通过级联分类器对滑窗进行打分，对得分较高的滑窗予以保留作为最终的检测结果。随着RBG大神将RCNN带入目标检测领域，目标检测被构建为分类+回归的问题进行解决，这股浪潮主要由两类算法引领：以Faster R-CNN为代表的两阶段方法和以SSD为代表的单阶段方法，其中Faster R-CNN准确率更高，而SSD则速度占优。

本文作者是目标检测领域的一位大牛，早在ECCV 2016就推出了目标检测的一篇力作MSCNN [1]，其主要解决的是目标检测领域的多尺度问题。而本文主要针对的是目标检测在训练过程中的IoU阈值的选取问题，作者将对这一问题的深入思考并汲取了传统方法中的级联思想，为我们呈现了一场理论和实验都十分精彩的盛宴。

主要内容

基本问题

众所周知，随着RBG大神将RCNN带入目标检测领域，目标检测被构建为分类+回归的问题进行解决，所以检测问题本质是一个分类问题，但又和分类问题有很大区别，因为在检测问题中是对图像中的所有候选框进行打分，在训练过程中通过IoU阈值来判定正负样本，因此IoU阈值的选取是一组需要精心挑选的超参数。一方面，IoU阈值选取的越高，则得到的正样本更接近目标，因此训练出的检测器定位更加精准，但是一味提高IoU阈值会引发两个问题：一是正样本过少导致训练的过拟合问题，二是训练和测试使用不一样的阈值导致评估性能的下降；另一方面，IoU阈值选取的越低，得到的正样本更为丰富，有利于检测器的训练，但势必会导致测试时出现大量的虚检，也即论文中提到的“close but not correct”。以上分析可以通过作者做的下面这组实验进行佐证：

图1（c）给出了经过一次回归以后目标候选框与真实目标框匹配的IoU的变化，横轴代表回归前，纵轴代表回归后，不同颜色的曲线反映的是不同IoU阈值训练的检测器。总体而言，经过回归器以后，目标候选框的IoU均有所提升，但区别在于：IoU在0.55~0.6之间时，基于0.5的IoU阈值训练的回归器输出最佳（蓝色线）；IoU在0.6~0.75之间，基于0.6的IoU阈值训练的回归器输出最佳（绿色线）；IoU在0.75以上，基于0.7的阈值训练出的回归器输出最佳（红色线）。以上结果表明：要得到定位精度较高的检测器（也即IoU越大越好），就必须选用较大的IoU阈值，然而图1（d）的结果表明，基于0.7的阈值训练出的检测器（红色线）的AP反而是最差的，只有在选用IoU阈值为0.85以上进行评测时，其结果才略好于蓝色线，但依然劣于绿色线，充分验证了我们之前的分析：基于0.7的IoU阈值训练出的检测器中正样本过少，因此正样本的diversity不够，容易导致训练的过拟合，因此在验证集上表现不佳。进而作者思考，能否有一种方式既可以用较高的IoU阈值训练检测器，又能够保证正样本的diversity足够丰富？基于以上分析，下面我们详细论述上作者所提出的Cascade R-CNN，其核心思想就是‘分而治之’。

模型结构

图3给出了本文方法和其他相关工作的直观对比。（d）展示的就是本文Cascade R-CNN的基本框架；(a)就是经典的Faster R-CNN框架，也是本文的baseline；（b）结构上和Cascade R-CNN非常相似，区别在于只在测试时采用级联结构对Box多次回归，因此ROI检测网络部分“H1”结构是相同的，也即训练时还是采用的单一的IoU阈值；（c）则是在ROI检测网络部分并联多个检测器，这些检测器是不相关的，有点类似‘multi-expert’的思想。

尽管图3(b)的Iterative BBox采用了级联结构来对Box进行多次回归，但采用单一IoU阈值训练唯一的检测器会带来以下问题：目标候选框经过0.5阈值的detector后样本的分布已经发生了变化，如下图所示，可以发现经过多个stage的检测器，正样本的分布更加集中于中心点，表明正样本和真实目标的匹配度越来越高，这时候再使用同一个IoU阈值训练检测器显然是次优的，因为如果不提高IoU阈值来去掉这些红色的outlier，就会引入大量噪声干扰，因此有必要提高IoU阈值来保证样本的质量。

另一方面，单纯提高IoU阈值会带来一个疑问：这样是否就减少了正样本的数量？诚然，如果还是用的初始目标候选框，这个答案是肯定的，但本文是从经过回归器后的目标候选框中进行resample，这个疑问就不存在了，有下图为证：经过多个stage之后，正样本的IoU在不断提升，我们可以任性提高IoU阈值，依然能够获取足够多的正样本。

至此我们完成了Cascade R-CNN核心部分的阐释，训练采用的还是通用的分类+回归loss，这里不再赘述。

实验分析

实验细节

（1）验证实验是在MS-COCO 2017上做的，所有detector都是基于caffe框架开发，保证对比的公平性。

（2）作者选用的级联结构共有4个stages， IoU阈值分别设定为递进的0.5/0.6/0.7，大于该阈值的选为正样本，其余均为负样本。

实验结果

首先我们看下本文的Cascade对于不同检测器的提升，作者选用了三种two-stage的检测器：Faster R-CNN、R-FCN和FPN，从下表中可以发现：在不加任何trick的情况下，对于不同的检测器和不同的基准网络，Cascade均能稳定提升3-4个点左右，且IoU阈值越高提升越明显，这张表所展现的效果是相当具有说服力了。

此外，论文给出了大量的剥离实验来验证Cascade的有效性（见下图）。

从中我们可以得出以下结论：表1充分展示了Cascade较Iterative BBox和Intergral loss的优越性，尤其是在AP 90 。评估指标上，说明提高IoU阈值训练级联检测器的必要性；表2展示了联合多个分类器的分类得分的必要性，在AP指标上，stage2比stage1展现了3个点的性能提升，而stage3并没有比stage2展现优势，而联合多个分类器的分类得分可以将AP提升到38.9；表3展示了提高IoU阈值以及利用不同回归统计信息的必要性，第二行与第四行的对比表明前者比后者更为重要，再次证明提高IoU阈值训练级联检测器的必要性；表4展示了采用几个stage会使性能达到饱和，可以发现stage4已经无法带来性能提升，stage3可以达到AP的最高点38.9，而stage2带来的性能提升最为明显，因此对于实际应用而言，两个stage已经足够。

总结展望

本文贡献

（1）深入研究了目标检测中的IoU阈值选取问题，并通过大量的实验分析验证了IoU阈值选取对检测器性能的影响；

（2）基于对以上问题的分析，提出了级联版的Faster R-CNN，也即Cascade R-CNN目标检测算法，在不使用任何trick的情况下，在MS COCO通用目标检测数据集上展现了非常出色的性能。

个人见解

（1）本文探讨了目标检测中长期以来无人问津但非常重要的问题——IoU阈值选取问题，是极具启发性的一篇工作，作者结合传统方法中的cascade思想和当前主流的Faster R-CNN检测框架，将two-stage方法在现有数据集上将检测性能又提升到了一个新高度。抛开文中大量的实验分析不谈，当我们重新审视当前目标检测算法两大主流框架（Faster R-CNN和SSD）时，一个值得思考的问题是为什么Faster R-CNN的准确率要比SSD高？笔者认为这其中的一个关键是：Faster R-CNN完成了对目标候选框的两次预测，其中RPN一次，后面的检测器一次。而本文作者则更进一步，将后面检测器部分堆叠了几个级联模块，并采用不同的IoU阈值训练，进一步提升了Faster R-CNN的准确率。进而我们思考这种提升的上限什么时候会出现？表4表明cascade R-CNN在stage3时性能就已经达到饱和，这和我们的预期还是有一定差距的，如何进一步提升cascade的上限，是值得进一步探索的问题。

（2）本文实验揭示了Cascade R-CNN成功的两个关键：一是级联而非并联检测器，二是提升IoU阈值训练级联检测器。然而实验验证是在Faster R-CNN检测框架下做的，考虑到现实应用场景中我们更关注的是检测器的时效性，能否将这一cascade思想迁移到SSD的检测框架中，进而提升SSD的准确率，这也是非常值得探索的一个问题。

（3）本文更为值得关注的一点贡献是：通过提升IoU阈值训练级联检测器，可以使得检测器的定位精度更高，在更为严格的IoU阈值评估下，Cascade R-CNN带来的性能提升更为明显，不得不说Cascade R-CNN向高精度的目标检测器迈出了坚实的一步，而这恰恰也是我们在实际应用中更希望看到的。