文章結構

檢測模型的評測指標

目標檢測模型本源上可以用統(tǒng)計推斷的框架描述，我們關注其犯第一類錯誤和第二類錯誤的概率，通常用準確率和召回率來描述。準確率描述了模型有多準，即在預測為正例的結果中，有多少是真正例；召回率則描述了模型有多全，即在為真的樣本中，有多少被我們的模型預測為正例。不同的任務，對兩類錯誤有不同的偏好，常常在某一類錯誤不多于一定閾值的情況下，努力減少另一類錯誤。在檢測中，mAP（mean Average Precision）作為一個統(tǒng)一的指標將這兩種錯誤兼顧考慮。

具體地，對于每張圖片，檢測模型輸出多個預測框（常常遠超真實框的個數(shù)），我們使用IoU（Intersection Over Union，交并比）來標記預測框是否為預測正確。標記完成后，隨著預測框的增多，召回率總會提升，在不同的召回率水平下對準確率做平均，即得到AP，最后再對所有類別按其所占比例做平均，即得到mAP。

在較早的Pascal VOC數(shù)據(jù)集上，常采用固定的一個IoU閾值（如0.5, 0.75）來計算mAP，現(xiàn)階段較為權威的MS COCO數(shù)據(jù)集上，對不同的IoU閾值（0.5-0.95，0.05為步長）分別計算AP，再綜合平均，并且給出了不同大小物體分別的AP表現(xiàn)，對定位準確的模型給予獎勵并全面地展現(xiàn)不同大小物體上檢測算法的性能，更為科學合理。

在實踐中，我們不僅關注檢測模型的精度，還關注其運行的速度，常常用FPS（Frame Per Second，每秒幀率）來表示檢測模型能夠在指定硬件上每秒處理圖片的張數(shù)。通常來講，在單塊GPU上，兩階段方法的FPS一般在個位數(shù)，而單階段方法可以達到數(shù)十。現(xiàn)在檢測模型運行的平臺并不統(tǒng)一，實踐中也不能部署較為昂貴的GPU進行推斷。事實上，很多文章并沒有嚴謹討論其提出模型的速度表現(xiàn)（加了較多的trick以使精度達到SOTA），另外，考慮到目前移動端專用芯片的發(fā)展速度和研究進展，速度方面的指標可能較難形成統(tǒng)一的參考標準，需要謹慎看待文章中匯報的測試結果。

標準評測數(shù)據(jù)集

Pascal VOC（Pascal Visual Object Classes）

鏈接：http://host.robots.ox.ac.uk/pascal/VOC/

自2005年起每年舉辦一次比賽，最開始只有4類，到2007年擴充為20個類，共有兩個常用的版本：2007和2012。學術界常用5k的trainval2007和16k的trainval2012作為訓練集（07+12），test2007作為測試集，用10k的trainval2007+test2007和和16k的trainval2012作為訓練集（07++12），test2012作為測試集，分別匯報結果。

Pascal VOC對早期檢測工作起到了重要的推動作用，目前提升的空間相對有限，權威評測集的交接棒也逐漸傳給了下面要介紹的COCO。

MS COCO（Common Objects in COntext-http://cocodataset.org）

檢測任務在COCO數(shù)據(jù)集上的進展

 

COCO數(shù)據(jù)集收集了大量包含常見物體的日常場景圖片，并提供像素級的實例標注以更精確地評估檢測和分割算法的效果，致力于推動場景理解的研究進展。依托這一數(shù)據(jù)集，每年舉辦一次比賽，現(xiàn)已涵蓋檢測、分割、關鍵點識別、注釋等機器視覺的中心任務，是繼ImageNet Chanllenge以來最有影響力的學術競賽之一。

iconic與non-iconic圖片對比

 

相比ImageNet，COCO更加偏好目標與其場景共同出現(xiàn)的圖片，即non-iconic images。這樣的圖片能夠反映視覺上的語義，更符合圖像理解的任務要求。而相對的iconic images則更適合淺語義的圖像分類等任務。

COCO的檢測任務共含有80個類，在2014年發(fā)布的數(shù)據(jù)規(guī)模分train/val/test分別為80k/40k/40k，學術界較為通用的劃分是使用train和35k的val子集作為訓練集（trainval35k），使用剩余的val作為測試集（minival），同時向官方的evaluation server提交結果（test-dev）。除此之外，COCO官方也保留一部分test數(shù)據(jù)作為比賽的評測集。

COCO數(shù)據(jù)集分布

在分布方面，COCO的每個類含有更多實例，分布也較為均衡（上圖a），每張圖片包含更多類和更多的實例（上圖b和c，均為直方圖，每張圖片平均分別含3.3個類和7.7個實例），相比Pascal VOC，COCO還含有更多的小物體（下圖，橫軸是物體占圖片的比例）。

COCO數(shù)據(jù)集物體大小分布

 

如本文第一節(jié)所述，COCO提供的評測標準更為精細化，提供的API不僅包含了可視化、評測數(shù)據(jù)的功能，還有對模型的錯誤來源分析腳本，能夠更清晰地展現(xiàn)算法的不足之處。COCO所建立的這些標準也逐漸被學術界認可，成為通用的評測標準。您可以在這里找到目前檢測任務的LeaderBoard。

錯誤來源分解，詳見http://cocodataset.org/#detections-eval

Cityscapes（https://www.cityscapes-dataset.com）

Cityscapes數(shù)據(jù)示例

 

Cityscapes數(shù)據(jù)集專注于現(xiàn)代城市道路場景的理解，提供了30個類的像素級標注，是自動駕駛方向較為權威的評測集。

檢測模型中的Bells and wisthles

本節(jié)介紹常見的提升檢測模型性能的技巧，它們常作為trick在比賽中應用。其實，這樣的名稱有失公允，部分工作反映了作者對檢測模型有啟發(fā)意義的觀察，有些具有成為檢測模型標準組件的潛力（如果在早期的工作中即被應用則可能成為通用做法）。讀者將它們都看作學術界對解決這一問題的努力即可。對研究者，誠實地報告所引用的其他工作并添加有說服力的消融實驗（ablation expriments）以支撐自己工作的原創(chuàng)性和貢獻之處，則是值得倡導的行為。

Data augmentation 數(shù)據(jù)增強

數(shù)據(jù)增強是增加深度模型魯棒性和泛化性能的常用手段，隨機翻轉、隨機裁剪、添加噪聲等也被引入到檢測任務的訓練中來，其信念是通過數(shù)據(jù)的一般性來迫使模型學習到諸如對稱不變性、旋轉不變性等更一般的表示。通常需要注意標注的相應變換，并且會大幅增加訓練的時間。個人認為數(shù)據(jù)（監(jiān)督信息）的適時傳入可能是更有潛力的方向。

Multi-scale Training/Testing 多尺度訓練/測試

輸入圖片的尺寸對檢測模型的性能影響相當明顯，事實上，多尺度是提升精度最明顯的技巧之一。在基礎網(wǎng)絡部分常常會生成比原圖小數(shù)十倍的特征圖，導致小物體的特征描述不容易被檢測網(wǎng)絡捕捉。通過輸入更大、更多尺寸的圖片進行訓練，能夠在一定程度上提高檢測模型對物體大小的魯棒性，僅在測試階段引入多尺度，也可享受大尺寸和多尺寸帶來的增益。

multi-scale training/testing最早見于[1]，訓練時，預先定義幾個固定的尺度，每個epoch隨機選擇一個尺度進行訓練。測試時，生成幾個不同尺度的feature map，對每個Region Proposal，在不同的feature map上也有不同的尺度，我們選擇最接近某一固定尺寸（即檢測頭部的輸入尺寸）的Region Proposal作為后續(xù)的輸入。在[2]中，選擇單一尺度的方式被Maxout（element-wise max，逐元素取最大）取代：隨機選兩個相鄰尺度，經(jīng)過Pooling后使用Maxout進行合并，如下圖所示。

使用Maxout合并feature vector

 

近期的工作如FPN等已經(jīng)嘗試在不同尺度的特征圖上進行檢測，但多尺度訓練/測試仍作為一種提升性能的有效技巧被應用在MS COCO等比賽中。

Global Context 全局語境

這一技巧在ResNet的工作[3]中提出，做法是把整張圖片作為一個RoI，對其進行RoI Pooling并將得到的feature vector拼接于每個RoI的feature vector上，作為一種輔助信息傳入之后的R-CNN子網(wǎng)絡。目前，也有把相鄰尺度上的RoI互相作為context共同傳入的做法。

Box Refinement/Voting 預測框微調/投票法

微調法和投票法由工作[4]提出，前者也被稱為Iterative Localization。微調法最初是在SS算法得到的Region Proposal基礎上用檢測頭部進行多次迭代得到一系列box，在ResNet的工作中，作者將輸入R-CNN子網(wǎng)絡的Region Proposal和R-CNN子網(wǎng)絡得到的預測框共同進行NMS（見下面小節(jié)）后處理，最后，把跟NMS篩選所得預測框的IoU超過一定閾值的預測框進行按其分數(shù)加權的平均，得到最后的預測結果。投票法可以理解為以頂尖篩選出一流，再用一流的結果進行加權投票決策。

OHEM 在線難例挖掘

OHEM(Online Hard negative Example Mining，在線難例挖掘)見于[5]。兩階段檢測模型中，提出的RoI Proposal在輸入R-CNN子網(wǎng)絡前，我們有機會對正負樣本（背景類和前景類）的比例進行調整。通常，背景類的RoI Proposal個數(shù)要遠遠多于前景類，F(xiàn)ast R-CNN的處理方式是隨機對兩種樣本進行上采樣和下采樣，以使每一batch的正負樣本比例保持在1:3，這一做法緩解了類別比例不均衡的問題，是兩階段方法相比單階段方法具有優(yōu)勢的地方，也被后來的大多數(shù)工作沿用。

OHEM圖解

 

但在OHEM的工作中，作者提出用R-CNN子網(wǎng)絡對RoI Proposal預測的分數(shù)來決定每個batch選用的樣本，這樣，輸入R-CNN子網(wǎng)絡的RoI Proposal總為其表現(xiàn)不好的樣本，提高了監(jiān)督學習的效率。實際操作中，維護兩個完全相同的R-CNN子網(wǎng)絡，其中一個只進行前向傳播來為RoI Proposal的選擇提供指導，另一個則為正常的R-CNN，參與損失的計算并更新權重，并且將權重復制到前者以使兩個分支權重同步。

OHEM以額外的R-CNN子網(wǎng)絡的開銷來改善RoI Proposal的質量，更有效地利用數(shù)據(jù)的監(jiān)督信息，成為兩階段模型提升性能的常用部件之一。

Soft NMS 軟化非極大抑制

NMS后處理圖示

 

NMS(Non-Maximum Suppression，非極大抑制）是檢測模型的標準后處理操作，用于去除重合度（IoU）較高的預測框，只保留預測分數(shù)最高的預測框作為檢測輸出。Soft NMS由[6]提出。在傳統(tǒng)的NMS中，跟最高預測分數(shù)預測框重合度超出一定閾值的預測框會被直接舍棄，作者認為這樣不利于相鄰物體的檢測。提出的改進方法是根據(jù)IoU將預測框的預測分數(shù)進行懲罰，最后再按分數(shù)過濾。配合Deformable Convnets（將在之后的文章介紹），Soft NMS在MS COCO上取得了當時最佳的表現(xiàn)。算法改進如下：

Soft-NMS算法改進

 

上圖中的f即為軟化函數(shù)，通常取線性或高斯函數(shù)，后者效果稍好一些。當然，在享受這一增益的同時，Soft-NMS也引入了一些超參，對不同的數(shù)據(jù)集需要試探以確定最佳配置。

RoIAlign RoI對齊

RoIAlign是Mask R-CNN（[7]）的工作中提出的，針對的問題是RoI在進行Pooling時有不同程度的取整，這影響了實例分割中mask損失的計算。文章采用雙線性插值的方法將RoI的表示精細化，并帶來了較為明顯的性能提升。這一技巧也被后來的一些工作（如light-head R-CNN）沿用。

拾遺

除去上面所列的技巧外，還有一些做法也值得注意：

• 更好的先驗（YOLOv2）：使用聚類方法統(tǒng)計數(shù)據(jù)中box標注的大小和長寬比，以更好的設置anchor box的生成配置

• 更好的pre-train模型：檢測模型的基礎網(wǎng)絡通常使用ImageNet（通常是ImageNet-1k）上訓練好的模型進行初始化，使用更大的數(shù)據(jù)集（ImageNet-5k）預訓練基礎網(wǎng)絡對精度的提升亦有幫助

• 超參數(shù)的調整：部分工作也發(fā)現(xiàn)如NMS中IoU閾值的調整（從0.3到0.5）也有利于精度的提升，但這一方面尚無最佳配置參照

最后，集成（Ensemble）作為通用的手段也被應用在比賽中。

總結

本篇文章里，我們介紹了檢測模型常用的標準評測數(shù)據(jù)集和訓練模型的技巧，上述內容在溯源和表述方面的不實之處也請讀者評論指出。從下一篇開始，我們將介紹檢測領域較新的趨勢，請持續(xù)關注。