CVPR 2021 | 上交和国科大提出DCL：旋转目标检测新方法

最新推荐文章于 2024-07-13 11:55:30 发布

Tom Hardy

最新推荐文章于 2024-07-13 11:55:30 发布

阅读量792

点赞数

文章标签：算法计算机视觉机器学习人工智能深度学习

原文链接：https://zhuanlan.zhihu.com/p/354373013

版权

本文作者：yangxue | 来源：知乎（已授权）

https://zhuanlan.zhihu.com/p/354373013

介绍

Densely Coded Labels (DCL)是 Circular Smooth Label (CSL)的优化版本。DCL主要从两方面进行了优化：过于厚重的预测层以及对类正方形目标检测的不友好。

Dense Label Encoding for Boundary Discontinuity Free Rotation Detection

文章地址：https://arxiv.org/abs/2011.09670

代码地址（已开源）：

https://github.com/yangxue0827/RotationDetection

厚重的预测层

CSL编码方式与独热编码（one-hot）均属于稀疏编码（Sparsely Coded Label, SCL）。稀疏编码的一个明显缺点是需要较长的位数来进行编码，以CSL为例，下面这种公式是其编解码的具体过程：

CSL编解码过程

其中，和分别表示角度范围（默认是180）以及所划分的角度类别。

那我们就可以计算出使用CSL编码方式或独热编码时的预测层厚度：

CSL编码方式与独热编码的预测层厚度计算公式

其中表示anchor的数量。

而使用回归进行角度预测时的预测层厚度仅为：

回归方法的预测层厚度

以为例，CSL编码方式与独热编码的预测层厚度是1620，而基于回归的预测层厚度只有9。这使得基于稀疏编码方法的参数量（Params）和计算量（GFlops）相比基于回归方法增加了26.40%和32.34%，造成模型训练和测试的效率低下，如下表所示。

参数量（Params）和计算量（GFlops）的比较

因此，如何减短编码长度是提高模型效率的关键。因此我们想到了密集编码方法（Densely Coded Label, DCL），主要编码方法有二值编码（Binary Coded Label, BCL）和格雷编码 (Gray Coded Label, GCL)，它们的预测层厚度计算公式如下：

二值编码和格雷编码的预测层厚度计算公式

同样以为例，它们所对应的预测层厚度只有72，只增加1.03%的参数量和1.26%的计算量，和回归方法的效率几乎一样。下式是它们的编解码过程，以二值编码为例：

BCL编解码过程

其中二值编码和格雷编码的编码伪代码：

二值编码和格雷编码的编码伪代码

尽管编码长度大大减少，但会引入几个其他问题。

第一问题是二值编码在一定程度上失去了相邻角度之间的“距离远近”，也就是相邻值之间的编码结果可能发生巨大变化，没有了CSL方法中强调的容忍性。比如，3和4在三位的二进制编码结果分别为011和100，如下表所示。

十进制数所对应的三位二值编码和格雷编码

可以看到所有三个位置都发生了变化，导致两个角度预测的误差很大。而格雷码没有这样的问题，这是因为在一组数字的编码中，任何两个相邻数的格雷码只有一位不同。由于最大值和最小值之间也只有一位数字不同，因此格雷码也称为循环码。格雷编码的缺点也很明显，尽管相邻角度之间的编码形式差别不大，但是具有较大差异的角度的编码差异也不是很明显，例如1（001）和6（101）。

第二个问题是所划分的角度类别数需要是2的指数倍才能保证每一种编码都对应一种角度，否则会有大量冗余的编码（尽管实验验证这个问题影响不大）。如果将180度范围划分为个类别，则每个划分间隔的范围为。根据CSL文章中的计算公式，理论期望误差和最大误差分别是和，这种大小的误差在是可以忽略不计的。

为了更好比较稀疏编码和密集编码，下图就是一个具体例子：

稀疏编码和密集编码的比较例子

类正方形目标检测的不友好

不管是CSL还是DCL，为了避免角度周期性（PoA）和边的交换性（EoE）问题，它们均采用了“角度分类+长边定义法”的组合。长边定义法有这样一个问题，他无法较好定义一个类正方形目标，如下图所示：

类正方形检测问题

图的左边是gt，右边是一种“视觉可行”的预测结果，之所以说“视觉可行”是因为此时的计算误差非常大。这个误差主要来源于角度（类正方形目标两边近似相等，因此尽管wh的顺序相反，误差依然很小）。仔细观察可以发现这两种框的角度差约等于。其实使用周期为90的定义方法对类正方形目标来说更加合适（如OpenCV定义法），长边定义法有明显的缺陷。我的另一篇文章GWD详细讨论了这种问题，有一句话概括长边定义法出现这种问题的原因：目标长宽比的减小使得评估（IoU）和损失（ -norm）之间的不一致性逐渐被放大。

针对这个问题以及第一个问题中提到的容忍性的消失，我们设计了一个损失权重（ADARSW），具体公式如下：

ADARSW权重

具体的想法是通过预测和gt的十进制差值来引入容忍性，三角函数的引入来解决角度周期性和类正方形检测问题（通过长宽比来调整参数，从而调整三角函数的周期）。

实验结果

下表是对角度离散化粒度的消融实验。尽管理论上越小，理论误差越小，预测精度上限越高，但是会增加角度分类的难度。越大也不好，太大的话理论误差太大，预测精度上限太低。一个合适的取值范围是[180/32-180/256]。并且我们发现，基于分类的角度预测方法（CSL和DCL）比基于回归方法在高精度上更有优势，并且DCL比CSL效果更好，当然效率也更高。

角度离散化粒度的消融实验

下表是对所提权重的消融实验，主要列举了DOTA数据集中10种长宽比比较小的类正方形目标，并验证了ADARSW的有效性。

ADARSW的消融实验

下表是在不同数据集上对三种不同方法的比较，我们发现BCL>CSL>Reg.。

其他数据集上的效果验证

下面两个表格是所提方法在两种数据集上的SOTA对比，DCL-based方法具有一定的优势。

DOTA数据集上的SOTA方法对比

HRSC2016数据集上的SOTA方法对比

下图是对DCL方法的所预测角度的特征可视化：

RetinaNet-DCL角度特征可视化

总结

基于角度分类预测的方法基本告一段落，CSL和DCL验证了角度分类这条路子的可行性，那其实接下来可以研究如何更好分类，可以借鉴很多方向的分类损失设计，例如人脸识别。但是，这两篇方法并没有表现出角度分类这条路的优越性，我所看到的优势仅仅是方法本身不存在边界问题，也就是论文题目所写的Boundary Discontinuity Free，但是代价是存在理论误差以及模型参数量和计算量的增加。因此，最近我又回到了“角度回归预测+新loss设计”这条路，一个工作是GWD，欢迎大家交流讨论。

另外，简单介绍一下我所写的一个基于tensorflow框架的旋转检测benchmark：

https://github.com/yangxue0827/RotationDetection

支持的算法：RetinaNet、Faster-RCNN等baseline以及SCRDet (ICCV19)、R3Det (AAAI21)、RSDet (AAAI21)、CSL (ECCV20)、DCL (CVPR21)、GWD等创新方法；
支持的数据集：DOTA、HRSC2016、ICDAR2015、ICDAR2017 MLT、MSRA-TD500、UCAS-AOD、FDDB、OHD-SJTU、SSDD++；
提供大量不同的预训练权重和训练好的权重；
训练可视化分析，以R3Det (AAAI21)为例：