Deformable ConvNets可变形卷积

最新推荐文章于 2024-04-25 10:49:10 发布

xiaochengJF

最新推荐文章于 2024-04-25 10:49:10 发布

阅读量990

点赞数 1

分类专栏：目标检测文章标签：深度学习目标检测卷积神经网络

本文链接：https://blog.csdn.net/weixin_43711554/article/details/104698374

版权

目标检测专栏收录该内容

41 篇文章 1 订阅

订阅专栏

论文：Deformable Convolutional Networks（CVPR 2017）

文章目录

针对问题

如何应对几何形变问题（尺度，姿态，视点和部件变形等），常用方法：

假设目标分布已知的情况下，通过增加具有期望变化的样本，
或者设计invariant features和算法

但上述方法都难以应对复杂的或新的变化，文中通过在卷积层和RoI pooling层中引入offset以提高网络的灵活性，能够更好地覆盖不同尺度和形状的目标，使网络更专注于目标区域，提取到的特征更加丰富
在这里插入图片描述

可变形卷积

$3\times3$ 卷积核， $\mathscr{R}$ for Regular Grid
$\begin{matrix} (-1,-1)&(0,-1)&(1,-1)\\ (-1,0)&(0,0)&(1,0)\\ (-1,1)&(0,1)&(1,1) \end{matrix}$
普通卷积
$y(p_0)=\sum\limits_{p_n\in \mathscr{R}}\ w(p_n)\cdot x(p_0+p_n)$

可变形卷积增加了可以学习的坐标偏移量 $\Delta p_n$
$\begin{aligned} y(p_0)=\sum\limits_{p_n\in \mathscr{R}}\ w(p_n)\cdot \underbrace{x(p_0+p_n+\Delta p_n)}_{\text{插值得到偏移坐标处像素值}} \end{aligned}$

上式可以看出：变形的其实不是卷积核，而是特征图，普通卷积作用在变形的特征图上达到了变形卷积的效果

计算梯度：
$\begin{aligned} \frac{\partial\ \boldsymbol{y}(p_0)}{\partial\ \Delta\ \boldsymbol{p}_n} &=\sum\limits_{\boldsymbol{p}_n\in \mathscr{R}}\ \boldsymbol{w}(\boldsymbol{p}_n)\cdot \frac{\partial\ \boldsymbol{x}(\boldsymbol{p}_0+\boldsymbol{p}_n+\Delta \boldsymbol{p}_n)}{\partial\ \Delta\boldsymbol{p}_n} \\ &=\sum\limits_{\boldsymbol{p}_n\in \mathscr{R}}\ \left[\boldsymbol{w}(\boldsymbol{p}_n)\cdot \sum\limits_q\ \frac{\partial\ G(\boldsymbol{q},\boldsymbol{p}_0+\boldsymbol{p}_n+\Delta \boldsymbol{p}_n)}{\partial\ \Delta \boldsymbol{p}_n}\cdot \boldsymbol{x}(\boldsymbol{q})\right] \end{aligned}$

$\Delta p_n$ 通常都是小数，而图像是一个一个离散像素点，可以用双线性差值进行差值计算出该处像素值，可变形卷积示意图如下：
在这里插入图片描述
可变形卷积步骤

输入 $【 B * H * W * C 】$ 经过普通卷积(same)得到输出 $【B*H*W*(2\cdot n\cdot n)】$ ， $n$ 表示卷积核尺寸，乘以2表示每个像素都有 $x 、 y$ 两个方向的偏移量，其实就是相对偏移坐标
将1中得到的相对偏移坐标与原坐标相加，即得到各个像素偏移后的位置（要将位置限定在原图坐标范围内，不能超出图片范围）
因为图像都是由离散的一个一个像素组成，而求得的偏移位置是浮点数，需要用到双线性插值的方法该位置对应像素值（根据该点周围的四个点计算： $【 c e i l (x), c e i l (y) 】$ 、 $【 f l o o r (x), c e i l (y) 】$ 、 $【 c e i l (x), f l o o r (y) 】$ 、 $【 f l o o r (x), f l o o r (y) 】$ ，梯度回传也是根据这四个点）
计算得到变换后的特征图作输出

Deformable Group
注意：如果按照上面的方法计算的话，特征图中同一个像素点的不同Channel有不一样的偏移量。源码中num_deformable_group变量，其作用是将输入沿Channel Axis分割成几个部分(Group)，同一个Group的Channel共享offset。设置Goup=1则所有Channel都是相同的offset
不同的通道提取到的特征其实是不一样的，为提高网络的灵活性，可以适当调整group的个数，用dg表示Group数，则：

输入： $B\times\text{dg}\cdot \frac{C}{\text{dg}}\times H\times W$
卷积核： $n\times n\times\text{dg}\cdot \frac{C}{\text{dg}}\times 2\cdot n\cdot n\cdot \text{dg}$
输出： $B\times (2\cdot n\cdot n)\cdot \text{dg}\times H\times W$

Deformable RoI Pooling

思想和可变形卷积基本一样，ROI pooling之后的尺寸特征尺寸就固定下来了，所以用了一个FC连接
在这里插入图片描述
包括deformable position-sensitive(PS)RoI pooling，其思想与前面的基本一致，就是给一个可以学习的偏移量，然后再结合普通的position-sensitive(PS)RoI pooling

实验结果对比

在这里插入图片描述
文中主网络将ResNet101 res5部分的 $3 * 3$ 卷积替换为可变形卷积（设置在靠后的卷积层，应该是为了从相对较为稳定的特征上学习偏移量），stride(原本为32)改为16，而dilated参数则设置为2以弥补减小stride带的感受野损失

下表中可看出：替换res5中3个卷积的时候效果最好。事实上v2中在 coco 数据集上的表现更好
在这里插入图片描述
下表中可看出：deformable conv和 atrous conv 相比表现更好

可变形卷积Pytorch实现

双线性插值 $^{【8】}$
在这里插入图片描述
$\begin{aligned} {\color{red}f(x, y)} \approx{f\left(x_1,y_1\right)}\underbrace{\left(x_{2}-x\right)\left(y_{2}-y\right)}_{S_4} +{f\left(x_2,y_1\right)}\underbrace{\left(x-x_{1}\right)\left(y_{2}-y\right)}_{S_3} \\ +{f\left(x_1,y_2\right)}\underbrace{\left(x_{2}-x\right)\left(y-y_{1}\right)}_{S_2}+{f\left(x_2,y_2\right)}\underbrace{\left(x-x_{1}\right)\left(y-y_{1}\right)}_{S_1} \end{aligned}$

import torch
from torch import nn


class DeformConv2d(nn.Module):
    def __init__(self, inc, outc, kernel_size=3, padding=1, stride=1, bias=None, modulation=False):
        """
        Args:
            modulation (bool, optional): If True, Modulated Defomable Convolution (Deformable ConvNets v2).
        """
        super(DeformConv2d, self).__init__()
        self.kernel_size = kernel_size
        self.padding = padding
        self.stride = stride
        self.zero_padding = nn.ZeroPad2d(padding)
        self.conv = nn.Conv2d(inc, outc, kernel_size=kernel_size, stride=kernel_size, bias=bias)

        self.p_conv = nn.Conv2d(inc, 2*kernel_size*kernel_size, kernel_size=3, padding=1, stride=stride)
        nn.init.constant_(self.p_conv.weight, 0)
        self.p_conv.register_backward_hook(self._set_lr)

        self.modulation = modulation
        if modulation:
            self.m_conv = nn.Conv2d(inc, kernel_size*kernel_size, kernel_size=3, padding=1, stride=stride)
            nn.init.constant_(self.m_conv.weight, 0)
            self.m_conv.register_backward_hook(self._set_lr)

    @staticmethod
    def _set_lr(module, grad_input, grad_output):
        grad_input = (grad_input[i] * 0.1 for i in range(len(grad_input)))
        grad_output = (grad_output[i] * 0.1 for i in range(len(grad_output)))

    def forward(self, x):
        offset = self.p_conv(x)
        if self.modulation:
            m = torch.sigmoid(self.m_conv(x))

        dtype = offset.data.type()
        ks = self.kernel_size
        N = offset.size(1) // 2

        if self.padding:
            x = self.zero_padding(x)

        # (b, 2N, h, w)
        p = self._get_p(offset, dtype)

        # (b, h, w, 2N)
        p = p.contiguous().permute(0, 2, 3, 1)
        q_lt = p.detach().floor()
        q_rb = q_lt + 1

        # 下标分别对应 lt:左上、rb:右下、lb:左下、rt:右上
        q_lt = torch.cat([torch.clamp(q_lt[..., :N], 0, x.size(2)-1), torch.clamp(q_lt[..., N:], 0, x.size(3)-1)], dim=-1).long()
        q_rb = torch.cat([torch.clamp(q_rb[..., :N], 0, x.size(2)-1), torch.clamp(q_rb[..., N:], 0, x.size(3)-1)], dim=-1).long()
        q_lb = torch.cat([q_lt[..., :N], q_rb[..., N:]], dim=-1)
        q_rt = torch.cat([q_rb[..., :N], q_lt[..., N:]], dim=-1)

        # clip p
        p = torch.cat([torch.clamp(p[..., :N], 0, x.size(2)-1), torch.clamp(p[..., N:], 0, x.size(3)-1)], dim=-1)

        # bilinear kernel (b, h, w, N)
        # 四个顶点对应的权重：lt:S4、rb:S1、lb:S2、rt:S3
        g_lt = (1 + (q_lt[..., :N].type_as(p) - p[..., :N])) * (1 + (q_lt[..., N:].type_as(p) - p[..., N:]))  
        g_rb = (1 - (q_rb[..., :N].type_as(p) - p[..., :N])) * (1 - (q_rb[..., N:].type_as(p) - p[..., N:]))  
        g_lb = (1 + (q_lb[..., :N].type_as(p) - p[..., :N])) * (1 - (q_lb[..., N:].type_as(p) - p[..., N:]))  
        g_rt = (1 - (q_rt[..., :N].type_as(p) - p[..., :N])) * (1 + (q_rt[..., N:].type_as(p) - p[..., N:]))  

        # 获取周围四个点的值
        # (b, c, h, w, N)
        x_q_lt = self._get_x_q(x, q_lt, N)
        x_q_rb = self._get_x_q(x, q_rb, N)
        x_q_lb = self._get_x_q(x, q_lb, N)
        x_q_rt = self._get_x_q(x, q_rt, N)

        # 双线性插值
        # (b, c, h, w, N)
        x_offset = g_lt.unsqueeze(dim=1) * x_q_lt + \
                   g_rb.unsqueeze(dim=1) * x_q_rb + \
                   g_lb.unsqueeze(dim=1) * x_q_lb + \
                   g_rt.unsqueeze(dim=1) * x_q_rt

        # modulation
        if self.modulation:
            m = m.contiguous().permute(0, 2, 3, 1)
            m = m.unsqueeze(dim=1)
            m = torch.cat([m for _ in range(x_offset.size(1))], dim=1)
            x_offset *= m

        x_offset = self._reshape_x_offset(x_offset, ks)
        out = self.conv(x_offset)

        return out

    def _get_p_n(self, N, dtype):
        p_n_x, p_n_y = torch.meshgrid(
            torch.arange(-(self.kernel_size-1)//2, (self.kernel_size-1)//2+1),
            torch.arange(-(self.kernel_size-1)//2, (self.kernel_size-1)//2+1))
        # (2N, 1)
        p_n = torch.cat([torch.flatten(p_n_x), torch.flatten(p_n_y)], 0)
        p_n = p_n.view(1, 2*N, 1, 1).type(dtype)

        return p_n

    def _get_p_0(self, h, w, N, dtype):
        p_0_x, p_0_y = torch.meshgrid(
            torch.arange(1, h*self.stride+1, self.stride),
            torch.arange(1, w*self.stride+1, self.stride))
        p_0_x = torch.flatten(p_0_x).view(1, 1, h, w).repeat(1, N, 1, 1)
        p_0_y = torch.flatten(p_0_y).view(1, 1, h, w).repeat(1, N, 1, 1)
        p_0 = torch.cat([p_0_x, p_0_y], 1).type(dtype)

        return p_0

    def _get_p(self, offset, dtype):
        N, h, w = offset.size(1)//2, offset.size(2), offset.size(3)

        # (1, 2N, 1, 1)
        p_n = self._get_p_n(N, dtype)
        # (1, 2N, h, w)
        p_0 = self._get_p_0(h, w, N, dtype)
        p = p_0 + p_n + offset
        return p

    def _get_x_q(self, x, q, N):
        b, h, w, _ = q.size()
        padded_w = x.size(3)
        c = x.size(1)
        # (b, c, h*w)
        x = x.contiguous().view(b, c, -1)

        # (b, h, w, N)
        # offset_x*w + offset_y
        # 例如：a.shape=(30, 30),a[1][1]就是第 1*30+1 个元素
        index = q[..., :N]*padded_w + q[..., N:]  
        # (b, c, h*w*N)
        index = index.contiguous().unsqueeze(dim=1).expand(-1, c, -1, -1, -1).contiguous().view(b, c, -1)

        x_offset = x.gather(dim=-1, index=index).contiguous().view(b, c, h, w, N)

        return x_offset

    @staticmethod
    def _reshape_x_offset(x_offset, ks):
        b, c, h, w, N = x_offset.size()
        x_offset = torch.cat([x_offset[..., s:s+ks].contiguous().view(b, c, h, w*ks) for s in range(0, N, ks)], dim=-1)
        x_offset = x_offset.contiguous().view(b, c, h*ks, w*ks)

        return x_offset

参考代码二

补充

对conv，pooling操作深入探讨 $^{【6】}$
附：im2col

可细分为四个阶段：
1. Indexing (im2col)：本文关注的部分。

2. Computation (gemm)：在im2col之后，conv就被转化为了一个dense matrix multiplication的问题。
	本质上，conv还是一个线性模型就是因为在这一步还是一个线性变化。
	有若干工作试图增强计算步骤的表示能力。从最开始的Network In Network到后来的Neural Decision Forest，
	再到最近我们的Factorized Bilinear Layer，都是在这一步试图做出一些变化。

3. Reduce (sum)：最简单的reduce操作就是求和，但是这个步骤还是有大量变化的余地。
	例如，是否可以通过类似于attention一样的机制做加权求和？(这里defomble conv2已经做了)
	是否可以通过random projection引入随机性？

5. Reindex (col2im)：这步骤是第一步的逆操作。

参考文献

【1】可变形卷积网络（Deformable Convolutional Networks）
【2】Deformable Convolutional Networks
【3】STN-Spatial Transformer Networks-论文笔记
【4】详细解读Spatial Transformer Networks（STN）
【4】可变形卷积Deformable Convolution Net（DCN）理解
【5】Deformable ConvNets–Part5： TensorFlow实现Deformable ConvNets
【6】【VALSE 前沿技术选介17-02期】可形变的神经网络
【7】论文讨论&&思考《Deformable Convolutional Networks》
【8】双线性插值
【9】双线性插值的两种实现方法
【10】Deformable Convlolutional Networks算法笔记
【11】Review: DCN — Deformable Convolutional Networks, 2nd Runner Up in 2017 COCO Detection (Object Detection)

xiaochengJF

关注

1
点赞
踩
16

收藏

觉得还不错? 一键收藏
1
评论
Deformable ConvNets可变形卷积

论文：Deformable Convolutional Networks目标的尺寸、形状变化不一，虽然现有的深度网络对此有一定的特征提取能力，但并不是最优的，因此通过在卷积层中引入offset（deformable convolution）和在RoI pooling层中引入offset（deformable RoI pooling）提高网络的特征提取效果，这个offset的作用是使网络在提取特征...
复制链接

扫一扫