Learning Rich Features at High-Speed for Single-Shot Object Detection 论文笔记

前言

目前的single-stage目标检测器依然存在两个问题：

• 在检测小目标时，性能不是很好。比如RetinaNet在检测COCO上的大目标时能达到47的AP，而小目标的AP只有14；
• 大多数single-stage检测器采用在ImageNet上经过预训练的backbone来进行分类任务，然后利用目标检测数据集进行微调以实现快速收敛。但是分类任务和定位任务之间仍存在较大差异，尤其是在IoU阈值较高的情况下。

虽然一些研究表明从零开始训练检测模型可以弥补这种差异，但与基于微调的网络相比，从零开始训练一个非常深的网络需要更长的训练时间。由此，本文将预训练与从零开始训练相结合，提出了一种新的检测框架，该框架包含一个经过预训练的backbone，和一个轻量级从零开始训练的辅助网络。辅助网络为backbone提供低/中级信息的补充，有利于中小目标的检测。

由于低/中级信息和高级语义对于不同尺度的目标检测（尤其是小目标）来说都是非常重要的，虽然一些检测器使用FPN来进行特征表示，但在FPN中，由于是top-down结构，因此它只向前面的层注入了高级信息。因此本文还提出一种双向网络，将高级信息与前一层融合，低/中级信息与后一层融合，以实现更精确的多尺度目标检测。

---

方法实现

上图是本文提出的检测框架的整体结构，主要由三部分组成：

• 标准的SSD网络；
• 轻量级的从零开始训练的网络（LSN）；
• 双向网络

1. SSD

本文采用经过预训练的SSD作为backbone，选取conv4_3，FC_7，conv8_2，conv9_2，conv10_2，conv11_2作为主干网络特征。

2. LSN

LSN网络与SSD的特征层紧密相连，它用来构建低/中级的特征表示，称为LSN特征。

上图是SSD中的特征提取策略，通过多个卷积块和最大池化操作以最终生成语义丰富的特征。这一类特征提取策略对于分类任务来说是非常有帮助的，因为分类任务要求的是平移不变性，即不论目标位于何处，最后输出的类别信息应该是一致的。但是在目标检测中，还需要进行目标定位，因此需要准确的目标轮廓信息，而低/中级特征正好包含这种轮廓信息，因此非常重要。

上图是LSN中的特征提取策略，这样做是为了弥补backbone在提取特征时的损失。首先通过池化操作对输入图像进行下采样，将其大小调整到SSD中第一层的输入大小。然后被送入到一个轻量级的连续操作（LSO）中，LSO包括卷积、批归一化和ReLU层。

LSN的参数是随机初始化，然后从零开始训练的，它的结构类似于SSD的金字塔特征层次结构：

其中$n$表示特征金字塔的层数，与相应的SSD的特征层的大小相匹配。

首先对输入图像$I$进行下采样，得到与SSD第一层相同的大小，然后使用下采样后的图像$I_t$生成初始LSN特征$s_{int(0)}$：

其中${\phi }_{int(0)}$表示一系列操作，包括一个$3\times 3$和一个$1\times 1$的卷积块。然后由初始特征$s_{int(0)}$生成中间特征$s_{int}$，使用第$(k-1)$个中间特征来生成第$k$个中间特征：

其中$k=(1,...,n)$，${\phi }_{int(k)}(\cdot )$表示一个$3\times 3$的卷积块。当$k=1$时，那么第$(k-1)$个中间特征其实就是初始LSN特征。最后，对第$k$层的中间特征应用一个$1\times 1$的卷积块，以生成$S_p$在第$k$个层级上的LSN特征：

其中${\phi }_{trans(k)}(\cdot )$表示一个$1\times 1$的卷积块，用来将LSN特征的通道数转换为与相应的SSD特征相匹配。

总结一下就是，先根据经过下采样的图像得到LSN的初始特征，然后采用递归的方式依次得到第$k$个层级的中间特征，最后由这些中间特征得到第$k$个层级的LSN特征。然后将这些特征注入到相应的SSD特征层中，与主干网络特征相结合。

3. 双向网络

双向网络在检测网络中传播低/中级和高级语义信息，主要包括bottom-up通路和top-down通路。

bottom-up通路

如上图所示是bottom-up通路，它把backbone和LSN特征结合起来，将不同层级的结合后的特征以级联的方式进行前向传播，得到前向特征（forward feature），将这一过程称为自底向上的特征传播（BFP），第$k$层前向特征为：

$s_k$表示LSN在第$k$层得到的特征，$o_k$表示SSD在第$k$层得到的主干网络特征，$w_{k-1}$表示一个$3\times 3$的卷积块，步长为2，$f_{k-1}$表示第$(k-1)$层的前向特征，${\varphi }_k(\cdot )$表示一系列操作，包括ReLU和$3\times 3$的卷积块。

$f_1$被表示为：

最后，所有层级的前向特征构成一个前向特征金字塔：

top-down通路

为了进一步将高级语义特征从后一层注入到前一层，还引入了top-down通路，如上图所示，它将后一层的所有特征连接到当前层，它通过网络中独立的并行连接来传播高级语义信息。后向特征金字塔$B_p$就可以表示为：

接下来具体说一下$b_n$是怎么得到的。首先用一个$1\times 1$的卷积块来降低$F_p$中所有前向特征的通道数，对于第$k$个层级，对$k$之后所有层级的前向特征进行降维并融合到一起，然后连接到当前层级$k$的前向特征，以得到后向特征$b_k$，进行最终的预测：

$W_i$是一个$1\times 1$的卷积块用于降低特征的通道数，$W_{mk}$是一个$1\times 1$的卷积块用于融合所有高级特征，${\mu }_k$是上采样操作，${\gamma }_k(\cdot )$是一个$3\times 3$的卷积块用于融合所有的前向特征。

注意到第$n$层的前向特征已经是最高级的语义特征了，因此它不需要任何来自前面层的语义特征。也就是说，在top-down网络中，如果本身位于特征层中的最高层，那么就不要融合任何底层特征，这意味着最高层的前向特征可以被直接用作预测。

总结来说就是：

• bottom-up网络涉及到的是LSN特征和主干网络特征，对于层级$k$，将LSN特征$s_k$和主干网络特征$o_k$融合之后，连接到前一层的前向特征$f_{k-1}$，从而得到层级$k$的前向特征$f_k$。
• top-down网络是在前向特征金字塔$F_p$的基础上进行特征融合的，对于层级$k$，先将$k$之后左右层级的前向特征进行融合，然后连接到当前层级$k$的前向特征$f_k$，从而得到层级$k$的后向特征$b_k$。

---

结论

LSN中有一个特征金字塔结构$S_p$，它的层数与SSD的层数相匹配，每层最终都会得到一个LSN特征，LSN特征其实就是对SSD特征的补全，它主要关注低/中级特征。LSN特征与SSD特征的结合发生在bottom-up网络中，并由此得到前向特征$F_p$。然后top-down网络在前向特征$F_p$的基础上得到后向特征$B_p$，最终用于预测的就是$B_p$。