专栏 | 后RCNN时代的物体检测及实例分割进展

机器之心专栏

作者：huichan chen

物体检测是计算机视觉的重要任务之一，从最开始的 Viola-Jones 2001 的人脸检测开始，到 Ross 的 Deformable Part Model（DPM）2007 通用物体检测，再到现在基于深度学习的 Region Convolution（RCNN）2013 模型，我们见证了物体检测的准确率快速的提升，并且计算机视觉所使用的数学方法也从 Boosting，变成了 SVM，到最近的 Deep Neural Network。基于物体检测，研究者们成功的设计出了实例分割 Mask RCNN。RCNN 是近年来物体检测的基石，有大量的论文和博客在分析和改进 RCNN，本篇文章希望通过介绍除了 RCNN，YOLO，SSD 和 Mask RCNN 之外的 novel idea 来帮助大家开拓眼界，避免思维陷入单一模式。

基础网络的改进方向

说起神经网络，大家就会想起用 ResNet，VGG 或者 Inception 来作为主干。来自韩国 Intel 公司的组发明的 PVANet 和 MSRA 的代季峰组的 Deformable Convolution 成功的跳出了惯性思维，大大提升了检测网络的速度和准确性。

PVANet : Deep but Lightweight Neural Networks for Real-time Object Detection

PVANet 贡献了一个可以适用于 Fully Convolution Network 的网络结构，该网络的浅层使用了 CRelu 可以将 Channel 减半，在深层使用 Inception 加强网络的学习效果。CRelu 和完整网络结构如下：

网络参数能够减半的原因是因为，CRelu 发现浅层的网络冗余度高，并且存在反相现象，通过 CRelu 可以重建出另一半的通道。PVANet 跟 Faster RCNN 的速度对比如下表：

Deformable Convolution Networks (ICCV 2017 oral)

本篇文章在 Spatial Transform Network 的基础上提出了 Deformable Convolution Network。个人感觉这篇论文是很有可能的 ICCV Best Paper 的论文之一。这篇论文和 Dilation Network 也有一定的关系。并且这篇论文提供了完整，清晰的代码，为之后的研究提供了很好的平台。

如上图（a）是传统的 CNN，采样是在 3 by 3 的 regular grid 进行采样。（b）为作者提出的 Deformable Convolution，可以看出采样点在 regular grid 的基础上面加上了 offset，能够让神经网络自己决定采样点的位置。（c）和（d）为一种特殊的采样方法，为 Deformable CNN 在某种位移情况下的表现形式。

网络的训练是基于 spatial transformer Network，通过 Bilinear interpolation 的方式进行学习，Backpropagation 也是可以微分的。Deformable CNN 的结构如下图：

作者在 Semantic segmentation 和物体检测任务上面测试了方法，without bells and whistles，作者可以达到 state-of-the-art 的结果（仅仅物体检测）。如果我们将采样点显示出来就会发现奇妙的现象。采样点会有选择性的位移到 foreground。

Deformable Part-based Model Fully Convolutional Networks for Object Detection (BMVC 2017 oral)

这篇论文和 Deformable CNN 是同期的论文，两者的出发点基本一样。但是训练的过程中，作者使用的 DPM 论文中的公式对物体的位移进行了限制，论文的流程图如下：

物体检测框架的改进

由于 NMS（Non Maximum Suppression）的存在，使得 RCNN 框架的物体检测不是完全的 end-to-end 模型，代季峰组的 Relation Network module 能够代替 NMS，实现 100% 的 end-to-end 模型。

Soft-NMS, improving object detection with One Line of Code (ICCV 2017)

NMS 能除去重叠的 bounding box，是物体检测系统中不可或缺的部分。但是作者发现 NMS 也会滤掉靠的很近的物体。比如下图两匹靠得近的马左边的马由于跟右边的马有很大的 overlapping，从而造成误检。为了避免这种现象的产生，soft-NMS 将 overlapping 的 bounding box 的 confidence 降低而非直接变成零。如下图左边的马的 confidence 从 0.80 降低到了 0.4，从而使得改 bounding box 能够被检测到。soft-NMS 能够在所有的公开数据上面得到 1 个点左右的提升，并且结合 deformable CNN 得到了 state-of-the-art 的结果。

Relation Network for Object Detection (CVPR 2018 submitted)

这篇论文提出了对 relation 进行建模的的 relation module，可以代替 NMS

，实现 100% 的 end-to-end 物体检测。对关系的描述可以提高计算机视觉模型的效果是大家的共识，但是本篇论文是少有的成功运用关系的论文。Relation module 的结果会高于 soft-NMS。在可以预见的将来，relation module 会大量地运用于 CV 模型中。但是美中不足的是，relation network 到底捕捉到了什么样的关系是论文无法说明的。Relation Network 的模型跟最近提出的 non local convolution，attention is all you need 有着惊人的相似。相信如果从这个角度出发，应该会有很大的收获。Relation Module 的结构如下：

Relation Module 跟 NMS 和 Soft-NMS 之间的结果对比。

实例分割的改进

在实例分割方面，除了 Mask RCNN 之外存在着很多新颖的方法，但是由于结果没有 Mask RCNN 好，经常会被人忽律，但是其中的 idea 还是很值得学习借鉴的。

Mask RCNN 已经成为了 instance segmentation 的 baseline 模型，这里就不多做介绍，结构如下：

Deep Watershed Transform for Instance Segmentation (CVPR 2017)

这篇 instance segmentation 的论文在 mask rcnn 之前，这篇论文提出了学习一种类似于 watershed transform 的能量。Watershed transform 可以直接计算，但是由于自然图像的复杂使得结果有很多 local minimal，通过 deep learning 学习到的势能会更加稳定，如下图：

网络通过 GT angle 和 watershed energy 两种 supervision 训练得到。两种能量可以通过 mask 标注产生，Ground-truth 如下图：

MaskLab : Instance Segmentation by Refining Object Detection with Semantic and Direction Features (CVPR 2018 submitted)

MaskLab 的作者是来自 Google 的团队，第一作者同时也是 deeplab 的作者。应该算是 segmentation 的元老级人物。这篇论文跟 mask rcnn 类似，但是使用了 semantic segmentation 和 Direction prediction 两个分支的信息来生成 mask，结果会比 feature pyramid network 的 mask rcnn 好很多。这篇论文的创新性来自 Direction Pooling，通过每个区域的 direction 的 voting 来得到 region mask，idea 跟 deformable CNN 中的 deformable region pooling 类似。

MaskLab 框架如下：

Directional Pooling 结构如下：

Panoptic Segmentation (CVPR 2018 submitted)

Panoptic Segmentation 中文名为全景分割，是由 Facebook 的大神联手推出的结合 instance segmentation 和 semantic segmentation 的新任务。作者发现，instance segmentation 只能够分别物体，但是没有办法对 stuff 进行预测。而传统的 semantic segmentation 不能够区分物体。作者提出了同时对物体进行分割，并且对 stuff 进行分类的新任务。

（a）为原图，（b）为 semantic segmentation 图，（c）为 instance segmentation，（d）为新提出的全景分割。与此同时作者提出了全景分割的 evaluation metric 和基于 mask rcnn + PSPNet 的 baseline 模型。新提出的任务应该还是有很大前进空间，相信各路大神应该会很快就攻占这一任务了吧 (>_<)

Instance Segmentation Benchmark

下面我们比较一下不同方法在 cityscape 上面的结果，可以看出 Mask RCNN 结果远超过其他方法，最新提出的 MaskLab 借助大数据的力量微弱超过 mask rcnn。

Cityscape 上面 Watershed，SGN 和 Mask RCNN 的比较

COCO 数据集 Mask RCNN 跟 MaskLab 比较

本文为机器之心专栏，转载请联系本公众号获得授权。