CVPR2019 | Libra R-CNN 论文解读

作者 | 文永亮

学校 | 哈尔滨工业大学（深圳）

研究方向 | 目标检测、GAN

三个不平衡

纵观目前主流的目标检测算法，无论SSD、Faster R-CNN、Retinanet这些的detector的设计其实都是三个步骤：

选择候选区域
提取特征
在muti-task loss下收敛

往往存在着三种层次的不平衡：

sample level
feature level
objective level

这就对应了三个问题：

采样的候选区域是否具有代表性？
提取出的不同level的特征是怎么才能真正地充分利用？
目前设计的损失函数能不能引导目标检测器更好地收敛？

其实如果不对detector的结构做功夫的话，针对这些imbalance改进的其实就是为了把detector的真正功效给展现出来，就是如果把一个目标检测器train好的问题。

对应的三个改进

IoU-balanced Sampling

作者认为sample level的不平衡是因为随机采样造成的，Ross Girshick后面提出了OHEM（online hard example mining，在线困难样本挖掘）是一个hard negative mning的一种好方法，但是这种方法对噪音数据会比较敏感。随机采样造成的不平衡可以看下图：

作者发现了如果是随机采样的话，随机采样到的样本超过70%都是在IoU在0到0.05之间的，有人会问不是随机吗？为什么大部分样本都落在了IOU较小的部分了呢？因为样本的分布在IoU上并不是均匀分布的，生成候选框时随机采样会造成背景框远远大于框中GT的框，一张图这么大，是目标物体的区域只占很小一部分，背景占了绝大多数的位置，所以大部分样本都挤在了IoU在0到0.05的区间了，作者觉得这里就是不科学的地方，统计得到的事实是60%的hard negative都落在IoU大于0.05的地方，但是随机采样只提供了30%。所以作者提出了IoU-balanced Sampling。

随机采样就是比如你要选N个hard negative，有M个候选框，选中的概率就是:
\[
p = \frac{N}{M}
\]
如果一共还是要采样N个，通过IoU的值划分为K个区间，每个区间中的候选采样数为\(M_k\)，则IoU-balanced sampling的采样公式即为：
\[
p_{k}=\frac{N}{K} * \frac{1}{M_{k}}, \quad k \in[0, K)
\]
作者通过在IoU上均匀采样，把hard negative在IoU上均匀分布，在COCO数据集上达到的效果比OHEM的要好，并且这样简单很多。

Balanced Feature Pyramid

feature level的不平衡表现在low/high level特征的利用上，如何利用不同分辨率的特征，分为了四步：rescaling，integrating，refining，strengthening。

rescaling & integrating :

假设\(C_l\)表示第\(l\)层特征，越高层分辨率越低，若有\(｛｝｛C_2, C_3, C_4, C_5｝\)的多层特征，\(C_2\)分辨率最高，我们知道低层特诊分辨率高往往学习到的是细节特征，高层特征分辨率低学习到语义特征，把四层特征resize到中间层次的\(C_4\)的size，然后后面再做简单的相加取平均操作：

\[
C=\frac{1}{L} \sum_{l=l_{\min }}^{l_{\max }} C_{l}
\]

就是这样简单的操作并没有引入什么计算就可以实现，最终在AP上也得到了验证是有效的。

refining & strengthening：

rescaling后取平均提取到的的特征还可以进一步地refine成更discriminative，作者这里用到了non-local模块，paper中使用了Gaussian non-local attention [4]增强integrate后的特征。

就像Figure 4画的一样，这样提取的特征其实与FPN可以一同使用，是作为feature pyramid的补充，作为一种增强手段。

Balanced L1 Loss

Fast R-CNN [5]中是通过multi-task loss解决Classification（分类）和Localization（定位）的问题的，定义如下：
\[
L_{p, u, t^{u}, v}=L_{c l s}(p, u)+\lambda[u \geq 1] L_{l o c}\left(t^{u}, v\right)
\]
\(L_{cls}\) 和\(L_{loc}\) 分别对应着分类和定位的损失函数， \(p\) , \(u\) 分别是\(L_{cls}\) 的预测和目标，\(t^u\)是对应\(u\)类的回归结果。 \(v\)是回归目标。 \(\lambda\)用于在多任务学习下调整损失权重。

之所以会提出Balanced L1 loss，是因为这个损失函数是两个loss的相加，如果分类做得很好地话一样会得到很高的分数，而导致忽略了回归的重要性，一个自然的想法就是调整\(\lambda\) 的值。我们把样本损失大于等于1.0的叫做outliers，小于的叫做inliers。由于回归目标是没有边界限制的，直接增加回归损失的权重将会使模型对outliers更加敏感。对于outliers会被看作是困难样本（hard example），这些困难样本会产生巨大的梯度不利于训练得过程，而inliers被看做是简单样本（easy example）只会产生相比outliers大概0.3倍的梯度。

首先我们看Smooth L1 Loss：
\[
L1_{smooth} = \left\{\begin{array}{ll}0.5x^2 & {\text{|x|<1} (inliers)}\\|x|-0.5 & {\text{otherwise(outliers)}}\end{array}\right.
\]

\[
\frac{\partial L1_{smooth}}{\partial x} = \left\{\begin{array}{lll} x & \text{|x|<1}\\ -1 & \text{x<-1} \\ 1 & \text{x>1} \end{array}\right.
\]

所以作者从常见的Smooth L1 Loss中推导出了Balanced L1 Loss：

\[
L_{l o c}=\sum_{i \in\{x, y, w, h\}} L_{b}\left(t_{i}^{u}-v_{i}\right)
\]
它的梯度计算遵从下面的准则：
\[
\frac{\partial L_{l o c}}{\partial w} \propto \frac{\partial L_{b}}{\partial t_{i}^{u}} \propto \frac{\partial L_{b}}{\partial x}
\]
作者从需求出发，想要得到一个梯度当样本在\(|x|<1\)附近产生稍微大点的梯度，作者设计了下面这个函数，从Figure 5可以看出\(\alpha\ln (b|x|+1)\)大于x。
\[
\frac{\partial L_{b}}{\partial x}=\left\{\begin{array}{ll}{\alpha \ln (b|x|+1)} & {\text { if }|x|<1} \\ {\gamma} & {\text { otherwise }}\end{array}\right.
\]
根据梯度反求出\(L_{b}(x)\) 表达式：
\[
L_{b}(x)=\left\{\begin{array}{ll}{\frac{\alpha}{b}(b|x|+1) \ln (b|x|+1)-\alpha|x|} & {\text { if }|x|<1} \\ {\gamma|x|+C} & {\text { otherwise }}\end{array}\right.
\]
还有很重要的一点就是为了函数的连续性，需要满足x=1时\(L_{b}(1)=\gamma\):
\[
\alpha \ln (b+1)=\gamma
\]
其实意思就是\(b=e^{\frac{\gamma}{\alpha}}\).

这个函数不得不说非常妙，成功掰弯了梯度，我也不知道他怎么想出来的。

实验结果

在COCO test-dev数据集上与目前state-of-the-art的目标检测的方法对比，能比Faster R-CNN、RetinaNet、Mask R-CNN要高2+的AP。

三种解决方案的各种组合情况的对比实验：

值得注意的是，作者对IoU-balanced samping做实验时对K的取值做了实验证明该方法对K的取值并不敏感，即对IoU分多少个区间并不敏感。

这是IoU-balanced sampling的候选框的可视化效果：

总结

paper逻辑清晰，紧紧抓住三个层次去做改进，三个问题对应三个解决方案，结构清晰一目了然，实验充分，相比两个单阶段和两阶段检测器的两个代表Faster R-CNN和RetinaNet分别高了2+的AP，图画得也不错，我觉得是篇好论文，而且应该是作者在比赛中实际运用到的才写出了这篇paper，以后目标检测的比赛我觉得都可以参考这篇去做改进。

参考文献

[1]. Pang J, Chen K, Shi J, et al. Libra R-CNN: Towards Balanced Learning for Object Detection[J]. arXiv preprint arXiv:1904.02701, 2019.

[2]. Wang J, Chen K, Yang S, et al. Region proposal by guided anchoring[J]. arXiv preprint arXiv:1901.03278, 2019.

[3]. Shrivastava A, Gupta A, Girshick R. Training region-based object detectors with online hard example mining[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2016: 761-769.

[4]. Wang X, Girshick R, Gupta A, et al. Non-local neural networks[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018: 7794-7803.

[5]. Ross Girshick. Fast r-cnn. In IEEE Conference on Computer Vision and Pattern Recognition, 2015.