論文：An Analysis of Scale Invariance in Object Detection – SNIP
論文鏈接：https://arxiv.org/abs/1711.08189
代碼鏈接：http://bit.ly/2yXVg4c

?? 論文分析COCO數(shù)據(jù)集，認(rèn)為目前目標(biāo)檢測算法的難點在于數(shù)據(jù)集中object的尺寸分布較大，尤其對于小目標(biāo)的檢測效果也有待提高，因此提出Scale Normalization for Image Pyramids (SNIP)算法。

SNIP是CVPR2018 oral，并獲得了COCO2017 challenge的Best Student Entry。

small object占總的object比例太小，遠(yuǎn)不如ImageNet的數(shù)據(jù)分布來得合理。COCO數(shù)據(jù)集中，大部分的object面積只有圖像面積的1%以下，這說明在COCO數(shù)據(jù)集中小目標(biāo)占比要比ImageNet數(shù)據(jù)集大。另外，從Figure1中的COCO曲線可以看出，第90%的倍數(shù)（0.472）差不多是第10%的倍數(shù)（0.106）的20倍！這說明在COCO數(shù)據(jù)集中的object尺寸變化范圍非常大。

ImageNet預(yù)訓(xùn)練的模型在遷移到樣本大小差異較大的COCO中時很可能產(chǎn)生一定的domain-shift偏差。因此作者產(chǎn)生這樣的motivation：

??? 1.現(xiàn)在檢測網(wǎng)絡(luò)為了提高對小目標(biāo)的效果，都采用upsample的方法，這個真的是必要的嗎？我能不能直接用低分辨率的圖像不做upsample來訓(xùn)練網(wǎng)絡(luò)（需要調(diào)小strides）？
??? 2.能不能通過挑選樣本的方式來增加網(wǎng)絡(luò)效果的，比如我upsample調(diào)整了大小以后，只用64x64~256x256的ground truth來訓(xùn)練？用所有的gt來訓(xùn)練真的更好嗎？

?現(xiàn)在有很多針對小目標(biāo)的措施和改良：

?? 1.? 使用dilated/strous或者deformable這類特殊的卷積來提高檢測器對分辨率的敏感度
?? 2. 最常用的，upsample來rezie網(wǎng)絡(luò)輸入圖像的大小
?? 3. 使用FPN這種把淺層特征和深層特征融合的，或者最后在預(yù)測的時候，使用淺層特征和深層特征一起預(yù)測；也有比較直接地在淺層和深層的feature map上直接各自獨立做預(yù)測的；這個也就是我們常說的尺度問題（scales）

作者通過一系列的探究性實驗證明了upsample對小目標(biāo)物體的檢測是有一定效果的。

三種網(wǎng)絡(luò)：

• CNN-B使用高分辨率圖像訓(xùn)練，分類經(jīng)過降采樣和upsample的圖片
• CNN-S使用低分辨率圖像訓(xùn)練，分類經(jīng)過降采樣的圖片
• CNN-B-FT使用高分辨率圖像訓(xùn)練，然后在低分辨率圖像上fine-tune，分類經(jīng)過降采樣和upsample的圖片?

?CNN網(wǎng)絡(luò)沒有尺度不變形，沒有把scale這個隱藏變量學(xué)習(xí)到的機制，只能通過大量參數(shù)來強行記憶不同scale的物體。而下面部分談到的方法也很可能只是治標(biāo)不治本，關(guān)鍵還是怎么把scale這個隱藏變量抽離出來，甚至可以直接學(xué)習(xí)；或者直接賦予網(wǎng)絡(luò)學(xué)習(xí)scale的能力。

?

1.每個pipe-line的RPN只負(fù)責(zé)一個scale range的proposal生成。

2.對于大size的feature map，對應(yīng)的RPN只負(fù)責(zé)預(yù)測被放大的小物體；對于小size的feature map，對應(yīng)的RPN只負(fù)責(zé)預(yù)測被縮小的大物體；這樣的設(shè)計保證了每個CNN分支在判別proposal是否為前景時，只需針對最易分類的中等range的proposal進(jìn)行訓(xùn)練

劃分了三個尺度，對應(yīng)三種不同分辨率的圖像。每個分辨率i下的RoI都有其指定范圍，如果gt的box大小在這個范圍內(nèi)，就被標(biāo)記做valid，否則就被標(biāo)記為invalid。

experiment：

1. 作者使用的是Deformable RFCN detector而不是常見的一般卷積，當(dāng)然受制于實驗自身，需要作出一定的改變
2. 作者使用的網(wǎng)絡(luò)結(jié)構(gòu)是Dual path networks（DPN）和ResNet-101，由于需要內(nèi)存很大，為了適應(yīng)GPU內(nèi)存，作者對圖像進(jìn)行了采樣，具體方法是選取一個1000x1000的包含最多目標(biāo)的區(qū)域作為子圖像，然后重復(fù)該步驟直到所有目標(biāo)都被選取
3. 作者為了提升RPN的效果，嘗試了使用7個尺度，連接conv4和conv5的輸出

結(jié)果：

思考：

SNIP相當(dāng)于開了三個pipe-line，其中包括了三個并行的feature extraction，速度簡直不要太慢，顯存占用簡直不要太大，一般的顯卡根本帶不動。

accuracy很高，但speed太慢，model太大，沒有實用性。

SNIP在沒有改進(jìn)之前，是一個華麗而不實用的算法。所幸SNIPER對其進(jìn)行了改進(jìn)

參考blog：

https://blog.csdn.net/u014380165/article/details/80793334

https://blog.csdn.net/qq_21949357/article/details/80031891

https://blog.csdn.net/jningwei/article/details/80332984

總結(jié)

以上是生活随笔為你收集整理的SNIP论文学习的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。