TTFNet：改进CenterNet，使得训练时间缩短7倍

导读

本文是对CenterNet的一种改进，主要是增加了训练时参与回归的样本，提升了收敛速度，加快了训练时间，同时使用了椭圆高斯核来代替CenterNet中的圆形高斯核，感觉更加合理。

Training-Time-Friendly Network for Real-Time Object Detection

摘要：目前的物体检测器很少既有短的训练时间，短的推理时间，以及同时具有高的准确率。为了找到这些的平衡点，我们提出了一个Training-Time-Friendly Network（TTFNet）。在这个工作中，我们使用了light-head，单阶段，anchor free的设计，来得到快速的推理速度。然后，我们聚焦于缩短训练时间，我们发现，从标注框中编码出更多的训练样本和增大batch size可以得到相似的效果。最后，我们介绍了一种使用高斯核来编码训练样本的方法。另外，我们还设计了启发性的样本权重来更好的利用信息。

代码：https://github.com/ZJULearning/ttfnet

1. 介绍

为了加速推理，研究人员致力于在保持准确率的情况下，使用简单的检测头和后处理。CenterNet就具有很短的推理时间，几乎和backbone的时间是一样的，但是，这个方法的训练时间确很长，原因在于这个网络太过于简单了，因此训练起来很困难，训练的时候非常依赖于数据增强和长训练时间。比如，在COCO上，CenterNet需要140个epochs，而有些方法只需要12个epochs。

本文致力于在保持模型推理时间和performance的情况下，缩短训练时间。之前的研究表明，如果使用大的batch size的话，可以线性同步增大学习率。我们发现，从标注框中编码出更多的训练样本和增大batch size可以得到相似的效果。由于编码特征和计算loss的时间可以几乎忽略不计，因此，可以在不增加任何额外计算的情况下，加快收敛速度。相比之下，CenterNet只用到了中心点一个点来进行尺寸的回归，并没有利用到目标中心附近的信息，这是训练慢的主要原因。

为了加速训练，我们提出了一个使用高斯核来编码定位和回归训练样本的方法。这使得网络可以更好的利用标注框来产生更多的监督信息，这样可以更快的收敛。具体来说，我们构建了一个围绕着目标中心的区域，训练样本从这个区域中密集采样，然后使用高斯概率值作为回归训练样本的权重。我们还进一步使用了归一化来利用大框的信息，同时可以保留小框的信息。我们的方法可以减少低质量的训练样本，同时，不需要FPN之类的组件。另外，也不需要预测offset来修正结果，更加的高效。

相比于CenterNet，我们的方法可以减少7倍的训练时间，我们的主要贡献如下：

我们讨论和验证了batch size和标注框编码出的样本数量之间的关系，另外，我们的实验也验证了CenterNet训练慢的主要原因。

我们提出了一个新的方法，利用高斯核来为定位和回归生成训练样本。

我们的方法在保持了推理时间和performance的前提下，可以稳定的提升7倍的训练速度。

我们的方法在资源受限的条件下可用，特别适合时间敏感的任务，如NAS。

2. 动机

我们发现，编码更多的训练样本和增大batch size具有相似的作用，两者都可以提供更多的监督信号。我们可以近似得到这样的结论，当每个mini batch中的训练样本数量乘以k，学习率也可以乘上

，其中

。

CenterNet的推理速度很快，但是训练时间很长，在训练时需要复杂的数据增强，这会导致收敛慢，为了搞清楚收敛慢的原因，我们去掉了数据增强，增大了学习率。结果如图1，增大学习率并不能加快收敛，去掉了数据增强会使得performance下降很多。我们认为，CenterNet收敛慢，主要是因为在训练的时候，在回归坐标的时候，每个目标只使用了一个点去回归，这使得CenterNet强依赖数据增强，而且训练时间长。

3. 方法

CenterNet将物体检测看成是2个部分，中心点的定位和尺寸的回归，对于定位，它使用了高斯核来产生一个heatmap，让网络去生成在目标周围具有高激活值的结果。对于回归，它将物体中心点作为训练样本，去回归物体的宽和高，它还回归了一个offset，用来弥补降采样的误差。由于最后能生成在物体中心具有更高激活值的heatmap，因此，可以不需要耗时的NMS等后处理操作。

我们对于定位，也采用了类似的方式，但是，我们考虑了物体的长宽比，而原来的CenterNet是没有考虑长宽比的。

对于尺寸的回归，主流的方法是将物体框中的所有像素或者是部分像素作为训练样本，而我们将物体框中的高斯核部分作为训练样本，另外，我们还为这些样本添加了权重，更好的利用了信息。注意，我们的方法不需要额外的预测来纠正定位误差，更加的高效。总体结构如图2。

训练中的高斯核

我们用r来表示最后特征图的stride，我们用α和β分别控制高斯核的尺寸。

物体定位

给定第m个标注框的类别是

，先将这个标注框线性映射到特征图的尺寸，高斯核为，其中，

，这里α=0.54。

高斯分布的峰值，也就是框的中心点，作为正样本，而其他作为负样本，我们使用modified focal loss：

这里，我们采用

，

。

尺寸回归

对于尺寸回归，我们使用β来控制高斯核的大小，我们也可以将α和β设置成同样的大小，特征图中的非0区域叫做高斯区域，如图3。高斯区域中的每个点都是一个回归样本，回归的目标是当前点距离4个边的距离，用一个4d向量来表示，因此，预测框可以表示为：

这里，s是一个固定的尺度值，这里取s=16，是为了方便收敛。注意，这里的预测框是在原始图像尺度上的，而不是特征图尺度上的。

如果像素点不在高斯区域内，训练时忽略。如果某个像素点属于多个高斯区域，目标值设定为更小的那个区域。我们使用GIoU来计算Loss：

这里，

是样本权重。

由于目标的尺度各不相同，大的目标可能产生几千个样本，小的目标可能只有几个样本，如果直接训练的话，小目标的loss会被淹没掉，这使得小目标检测变得困难。样本权重是非常重要的：

其作用会在后面的实验中表明。

总的Loss

总的loss包括了定位loss和回归loss，定位loss权重为1.0，回归loss权重为5.0。

总体设计

TTFNet的总体结构如图2，我们的方法在大物体和中等物体的时候，可以很有效的利用标注信息，但是对于小物体则提升不大，因此为了提升小目标的能力，我们从主干上增加了short cut到高分辨率特征图上。

4. 实验

消融实验：

高斯核在回归中的作用：

高斯核的大小由β来控制，β越大，可利用的标注信息越多，同时低质量的样本也越多，不同β的效果：

使用长宽比生成高斯核的作用，使用长宽比确实要好一些：

shortcut连接的作用，shortcut和上采样后的层的连接是通过3x3卷积实现的，表中的数字表示3x3卷积的数量：

样本数量以及学习率的作用：

不使用预训练模型，从头训练的结果：

和其他方法的对比：

和CenterNet的更多对比：

—END—

论文链接：https://arxiv.org/abs/1909.00700

喜欢的话，请给我个在看吧！