▌Feature Pyramid Networks（ 特征金字塔網(wǎng)絡(luò)）

首先，我們要介紹的是著名的特征金字塔網(wǎng)絡(luò)(這是發(fā)表在 CVPR 2017 上的一篇論文，以下簡(jiǎn)稱FPN)。

如果你在過去兩年有一直跟進(jìn)計(jì)算機(jī)視覺領(lǐng)域的最新進(jìn)展的話，那你一定聽說過這個(gè)網(wǎng)絡(luò)的大名，并和其他人一樣等待著作者開源這個(gè)項(xiàng)目。FPN 這篇論文提出的一種非常棒的思路。我們都知道，構(gòu)建一個(gè)多任務(wù)、多子主題、多應(yīng)用領(lǐng)域的基線模型是很困難的。

FPN 可以視為是一種擴(kuò)展的通用特征提取網(wǎng)絡(luò)（如 ResNet、DenseNet），你可以從深度學(xué)習(xí)模型庫中選擇你想要的預(yù)訓(xùn)練的 FPN 模型并直接使用它！

通常，圖像目標(biāo)有多個(gè)不同尺度和尺寸大小。一般的數(shù)據(jù)集無法捕捉所有的圖像屬性，因此人們使用圖像金字塔的方式，對(duì)圖像按多種分辨率進(jìn)行降級(jí)，提取圖像特征，以方便 CNN 處理。但是，這種方法最大弊端是網(wǎng)絡(luò)處理的速度很慢，因此我們更喜歡使用單個(gè)圖像尺度進(jìn)行預(yù)測(cè)，也就導(dǎo)致大量圖像特征的流失，如一部分研究者可能從特征空間的中間層獲取預(yù)測(cè)結(jié)果。

換句話說，以 ResNet 為例，對(duì)于分類任務(wù)而言，在幾個(gè) ResNet 模塊后放置一個(gè)反卷積層，在有輔助信息和輔助損失的情況下獲取分割輸出（可能是 1x1 卷積和 GlobalPool），這就是大部分現(xiàn)有模型架構(gòu)的工作流程。

回到我們的主題，F(xiàn)PN 作者提出一種新穎的思想，能夠有效改善現(xiàn)有的處理方式。他們不單單使用側(cè)向連接，還使用自上而下的路徑，并通過一個(gè)簡(jiǎn)單的 MergeLayer（mode=『addition』）將二者結(jié)合起來，這種方式對(duì)于特征的處理是非常有效！由于初始卷積層提取到的底層特征圖（初始卷積層）的語義信息不夠強(qiáng)，無法直接用于分類任務(wù)，而深層特征圖的語義信息更強(qiáng)，F(xiàn)PN 正是利用了這一關(guān)鍵點(diǎn)從深層特征圖中捕獲到更強(qiáng)的語義信息。

此外，F(xiàn)PN 通過自上而下的連接路徑獲得圖像的 Fmaps(特征圖)，從而能夠到達(dá)網(wǎng)絡(luò)的最深層。可以說，F(xiàn)PN 巧妙地將二者結(jié)合了起來，這種網(wǎng)絡(luò)結(jié)構(gòu)能夠提取圖像更深層的特征語義信息，從而避免了現(xiàn)有處理過程信息的流失。

其他一些實(shí)現(xiàn)細(xì)節(jié)

• 圖像金字塔：認(rèn)為同樣大小的所有特征圖屬于同一個(gè)階段。最后一層的輸出是金字塔的 reference FMaps。如 ResNet 中的第 2、3、4、5 個(gè)模塊的輸出。你可以根據(jù)內(nèi)存和特定使用情況來改變金字塔。

• 側(cè)向連接：1x1 卷積和自上而下的路徑都經(jīng)過 2× 的上采樣過程。上層的特征以自上而下的方式生成粗粒度的圖像特征，而側(cè)向連接則通過自下而上的路徑來添加更多細(xì)粒度的特征信息。在此我引用了論文中的一些圖片來幫助你進(jìn)一步理解這一過程。

• 在 FPN 的論文中，作者還介紹了一個(gè)簡(jiǎn)單的 demo 來可視化這個(gè)想法的設(shè)計(jì)思路。

如前所述，F(xiàn)PN 是一個(gè)能夠在多任務(wù)情景中使用的基線模型，適用于如目標(biāo)檢測(cè)、分割、姿態(tài)估計(jì)、人臉檢測(cè)及其他計(jì)算機(jī)視覺應(yīng)用領(lǐng)域。這篇論文的題目是 FPNs for Object Detection，自 2017 年發(fā)表以來引用量已超過 100 次！

此外，論文作者在隨后的 RPN（區(qū)域建議網(wǎng)絡(luò)）和 Faster-RCNN 網(wǎng)絡(luò)研究中，仍使用 FPN 作為網(wǎng)絡(luò)的基線模型，可見 FPN的強(qiáng)大之處。以下我將列出一些關(guān)鍵的實(shí)驗(yàn)細(xì)節(jié)，這些在論文中也都可以找到。

?

實(shí)驗(yàn)要點(diǎn)

• RPN：這篇論文中，作者用 FPN 來代替單個(gè)尺度 Fmap，并在每一級(jí)使用單尺度 anchor （由于使用了 FPN，因此沒必要使用多尺度的 anchor）。此外，作者還展示了所有層級(jí)的特征金字塔共享類似的語義信息。

• Faster RCNN：這篇論文中，作者使用類似圖像金字塔的輸出方式處理這個(gè)特征金字塔，并使用以下公式將感興趣域（RoI）分配到特定的層級(jí)中。

• ??，其中 w、h 分別表示寬度和高度，k 表示 RoI 所分配到的層級(jí)，k0 代表的是 w=224，h=224 時(shí)所映射到的層級(jí)。

• Faster RCNN 在 COCO 數(shù)據(jù)集上取得當(dāng)前最先進(jìn)的實(shí)驗(yàn)結(jié)果，沒有任何冗余的結(jié)構(gòu)。

• 論文的作者對(duì)每個(gè)模塊的功能進(jìn)行了消融(ablation)研究，并論證了本文提出的想法。

• 此外，還基于 DeepMask 和 SharpMask 論文,作者進(jìn)一步展示了如何使用 FPN 生成分割的建議區(qū)域（segmentation proposal generation）。

對(duì)于其他的實(shí)現(xiàn)細(xì)節(jié)、實(shí)驗(yàn)設(shè)置等內(nèi)容，感興趣的同學(xué)可以認(rèn)真閱讀下這篇論文。

實(shí)現(xiàn)代碼

• 官方的Caffe2版本：

  https://github.com/facebookresearch/Detectron/tree/master/configs/12_2017_baselines

• Caffe版本：https://github.com/unsky/FPN

• PyTorch版本：https://github.com/kuangliu/pytorch-fpn (just the network)

• MXNet版本：https://github.com/unsky/FPN-mxnet

• Tensorflow版本：https://github.com/yangxue0827/FPN_Tensorflow

▌RetinaNet：Focal Loss 損失函數(shù)用于密集目標(biāo)檢測(cè)任務(wù)

這個(gè)架構(gòu)是由同一個(gè)團(tuán)隊(duì)所開發(fā)，這篇論文[2]發(fā)表在 ICCV 2017 上，論文的一作也是 FPN 論文的一作。該論文中提出有兩個(gè)關(guān)鍵想法：通用損失函數(shù)Focal Loss(FL)和單階段的目標(biāo)檢測(cè)器RetinaNet。兩者組合成的RetinaNet在COCO的目標(biāo)檢測(cè)任務(wù)中表現(xiàn)得非常好，并超過了先前FPN所保持的結(jié)果。

Focal Loss

Focal Loss損失函數(shù)的提出來源于一個(gè)聰明又簡(jiǎn)單的想法。如果你熟悉加權(quán)函數(shù)的話，那么你應(yīng)該對(duì)Focal Loss并不陌生。該損失函數(shù)其實(shí)就是巧妙地使用了加權(quán)的損失函數(shù)，讓模型訓(xùn)練過程更聚焦于分類難度高的樣本。其數(shù)學(xué)公式如下所示：

其中，γ 是一個(gè)可改變的超參數(shù)，pt 表示分類器輸出的樣本概率。將 γ 設(shè)置為大于 0，將會(huì)減小分類結(jié)果較好的樣本權(quán)重。α_t 表示標(biāo)準(zhǔn)加權(quán)損失函數(shù)中的類別權(quán)重，在論文中將其稱為 α-balanced 損失。值得注意的是，這個(gè)是分類損失，RetinaNet 將其與 smooth L1 損失結(jié)合，用于目標(biāo)檢測(cè)任務(wù)。

RetinaNet

YOLO2 和 SSD 是當(dāng)前處理目標(biāo)場(chǎng)景最優(yōu)的單階段（one-stage）算法。相繼的，F(xiàn)AIR 也開發(fā)了自己的單階段檢測(cè)器。作者指出，YOLO2 和 SSD 模型都無法接近當(dāng)前最佳的結(jié)果，而RetinaNet 可以輕松地實(shí)現(xiàn)單階段的最佳的檢測(cè)結(jié)果，而且速度較快，他們將這歸功于新型損失函數(shù)（Focal Loss）的應(yīng)用，而不是簡(jiǎn)單的網(wǎng)絡(luò)結(jié)構(gòu)（其結(jié)構(gòu)仍以 FPN 為基礎(chǔ)網(wǎng)絡(luò)）。

作者認(rèn)為，單階段檢測(cè)器將面臨很多背景和正負(fù)類別樣本數(shù)量不平衡的問題（而不僅僅的簡(jiǎn)單的正類別樣本的不均衡問題），一般的加權(quán)損失函數(shù)僅僅是為了解決樣本數(shù)量不均衡問題，而Focal Loss 函數(shù)主要是針對(duì)分類難度大/小的樣本，而這正好能與 RetinaNet 很好地契合。

注意點(diǎn)：

• 兩階段（two-stage）目標(biāo)檢測(cè)器無需擔(dān)心正、負(fù)樣本的不均衡問題，因?yàn)樵诘谝浑A段就將絕大部分不均衡的樣本都移除了。

• RetinaNet 由兩部分組成：主干網(wǎng)絡(luò)（即卷積特征提取器，如 FPN）和兩個(gè)特定任務(wù)的子網(wǎng)絡(luò)（分類器和邊界框回歸器）。

• 采用不同的設(shè)計(jì)參數(shù)時(shí)，網(wǎng)絡(luò)的性能不會(huì)發(fā)生太大的變化。

• Anchor 或 AnchorBoxes 是與 RPN 中相同的 Anchor[5]。Anchor 的坐標(biāo)是滑動(dòng)窗口的中心位置，其大小、橫縱比（aspect ratio）與滑動(dòng)窗口的長(zhǎng)寬比有關(guān)，大小從 322 到 512 ，橫縱比取值為{1:2, 1:1, 2:1}。

• 用 FPN 來提取圖像特征，在每一階段都有 cls+bbox 子網(wǎng)絡(luò)，用于給出 Anchor 中所有位置的對(duì)應(yīng)輸出。

實(shí)現(xiàn)代碼

• 官方的Caffe2版本：

  https://github.com/facebookresearch/Detectron/tree/master/configs/12_2017_baselines

• PyTorch版本：https://github.com/kuangliu/pytorch-retinanet

• Keras版本：https://github.com/fizyr/keras-retinanet

• MXNet版本：https://github.com/unsky/RetinaNet

▌Mask R-CNN

正如上面所述，Mask R-CNN [3]也幾乎是同一個(gè)團(tuán)隊(duì)開發(fā)的，并發(fā)表在 ICCV 2017 上，用于圖像的實(shí)例分割任務(wù)。簡(jiǎn)單來說，圖像的實(shí)例分割不過就是不使用邊界框的目標(biāo)檢測(cè)任務(wù)，目的是給出檢測(cè)目標(biāo)準(zhǔn)確的分割掩碼。這項(xiàng)任務(wù)想法簡(jiǎn)單，實(shí)現(xiàn)起來也并不困難，但是要使模型正常運(yùn)行并達(dá)到當(dāng)前最佳的水準(zhǔn)，或者使用預(yù)訓(xùn)練好的模型來加快分割任務(wù)的實(shí)現(xiàn)等，想要做到這些可并不容易。

TL;DR：如果你了解 Faster R-CNN 的工作原理，那么 Mask R-CNN 模型對(duì)你來說是很簡(jiǎn)單的，只需要在 Faster R-CNN 的基礎(chǔ)上添加一個(gè)用于分割的網(wǎng)絡(luò)分支，其網(wǎng)絡(luò)主體有 3 個(gè)分支，分別對(duì)應(yīng)于 3 個(gè)不同的任務(wù)：分類、邊界框回歸和實(shí)例分割。

值得注意的是，Mask R-CNN 的最大貢獻(xiàn)在于，僅僅使用簡(jiǎn)單、基礎(chǔ)的網(wǎng)絡(luò)設(shè)計(jì)，不需要多么復(fù)雜的訓(xùn)練優(yōu)化過程及參數(shù)設(shè)置，就能夠?qū)崿F(xiàn)當(dāng)前最佳的實(shí)例分割效果，并有很高的運(yùn)行效率。

我很喜歡這篇論文，因?yàn)樗乃枷牒芎?jiǎn)單。但是，那些看似簡(jiǎn)單的東西卻伴有大量的解釋。例如，多項(xiàng)式掩碼與獨(dú)立掩碼的使用（softmax vs sigmoid）。

此外，Mask R-CNN 并未假設(shè)大量先驗(yàn)知識(shí)，因此在論文中也沒有需要論證的內(nèi)容。如果你有興趣，可以仔細(xì)查看這篇論文，你可能會(huì)發(fā)現(xiàn)一些有趣的細(xì)節(jié)。基于你對(duì) Faster RCNN已有了基礎(chǔ)了解，我總結(jié)了以下一些細(xì)節(jié)幫助你進(jìn)一步理解 Mask R-CNN：

• 首先，Mask R-CNN 與 Faster RCNN 類似，都是兩階段網(wǎng)絡(luò)。第一階段都是 RPN 網(wǎng)絡(luò)。

• Mask R-CNN 添加一個(gè)并行分割分支，用于預(yù)測(cè)分割的掩碼，稱之為 FCN。

• Mask R-CNN 的損失函數(shù)由 L_cls、L_box、L_maskLcls、L_box、L_mask 四部分構(gòu)成。

• Mask R-CNN 中用 ROIAlign 層代替 ROIPool。這不像 ROIPool 中那樣能將你的計(jì)算結(jié)果的分?jǐn)?shù)部分（x/spatial_scale）四舍五入成整數(shù)，而是通過雙線性內(nèi)插值法來找出特定浮點(diǎn)值對(duì)應(yīng)的像素。

• 例如：假定 ROI 高度和寬度分別是 54、167。空間尺度，也稱為 stride 是圖像大小 size/Fmap 的值(H/h)，其值通常為 224/14=16 (H=224,h=14)。此外，還要注意的是：

  • ROIPool: 54/16, 167/16 = 3,10

  • ROIAlign: 54/16, 167/16 = 3.375, 10.4375

  • 現(xiàn)在，我們使用雙線性內(nèi)插值法對(duì)其進(jìn)行上采樣。

  • 根據(jù) ROIAlign 輸出的形狀(如7x7)，我們可以用類似的操作將對(duì)應(yīng)的區(qū)域分割成合適大小的子區(qū)域。

  • 使用 Chainer folks 檢查 ROIPooling 的 Python 實(shí)現(xiàn)，并嘗試自己實(shí)現(xiàn) ROIAlign。

  • ROIAlign 的實(shí)現(xiàn)代碼可在不同的庫中獲得，具體可查看下面給出的代碼鏈接。

• Mask R-CNN 的主干網(wǎng)絡(luò)是 ResNet-FPN。

此外，我還曾專門寫過一篇文章介紹過Mask-RCNN的原理，博客地址是：https://coming.soon/。

實(shí)現(xiàn)代碼

• 官方的Caffe2版本：

  https://github.com/facebookresearch/Detectron/tree/master/configs/12_2017_baselines

• Keras版本：https://github.com/matterport/Mask_RCNN/

• PyTorch版本：https://github.com/soeaver/Pytorch_Mask_RCNN/

• MXNet版本：https://github.com/TuSimple/mx-maskrcnn

▌Learning to Segment Everything

正如題目 Learning to Segment Everything 那樣，這篇論文是關(guān)于目標(biāo)分割任務(wù)，具體來說是解決實(shí)例分割問題。計(jì)算機(jī)視覺領(lǐng)域中標(biāo)準(zhǔn)的分割數(shù)據(jù)集對(duì)于現(xiàn)實(shí)的應(yīng)用而言，數(shù)據(jù)集的數(shù)量都太有限了，即使是當(dāng)前最流行、最豐富的 COCO 數(shù)據(jù)集[7]，也僅有 80 種目標(biāo)類別，這還遠(yuǎn)遠(yuǎn)無法達(dá)到實(shí)用的需求。

相比之下，目標(biāo)識(shí)別及檢測(cè)的數(shù)據(jù)集，如 OpenImages[8]就有將近 6000 個(gè)分類類別和 545 個(gè)檢測(cè)類別。此外，斯坦福大學(xué)的另一個(gè)數(shù)據(jù)集 Visual Genome 也擁有近 3000 個(gè)目標(biāo)類別。但由于這個(gè)數(shù)據(jù)集中每個(gè)類別所包含的目標(biāo)數(shù)量太少了，即使它的類別在實(shí)際應(yīng)用中更加豐富、有用，深度神經(jīng)網(wǎng)絡(luò)也無法在這樣的數(shù)據(jù)集上取得足夠好的性能，因此研究者通常不喜歡選用這些數(shù)據(jù)集進(jìn)行目標(biāo)分類、檢測(cè)問題的研究。值得注意的是，這個(gè)數(shù)據(jù)集僅有 3000 個(gè)目標(biāo)檢測(cè)（邊界框）的標(biāo)簽類別，而沒有包含任何目標(biāo)分割的標(biāo)注，即無法直接用于目標(biāo)分割的研究。

下面來介紹我們要講的這篇論文[4]。

就數(shù)據(jù)集而言，實(shí)際上邊界框與分割標(biāo)注之間并不存在太大的區(qū)別，區(qū)別僅在于后者比前者的標(biāo)注信息更加精確。因此，本文的作者正是利用 Visual Genome[9]數(shù)據(jù)集中有 3000 個(gè)類別的目標(biāo)邊界框標(biāo)簽來解決目標(biāo)分割任務(wù)。我們稱這種方法為弱監(jiān)督學(xué)習(xí)，即不需要相關(guān)任務(wù)的完整監(jiān)督信息。如果他們使用的是 COCO + Visual Genome 的數(shù)據(jù)集，即同時(shí)使用分割標(biāo)簽和邊界框標(biāo)簽，那么這同樣可稱為是半監(jiān)督學(xué)習(xí)。

讓我們回到主題，這篇論文提出了一種非常棒的思想，其網(wǎng)絡(luò)架構(gòu)主要如下：

• 網(wǎng)絡(luò)結(jié)構(gòu)建立在 Mask-RCNN 基礎(chǔ)上。

• 同時(shí)使用有掩碼和無掩碼的輸入對(duì)模型進(jìn)行訓(xùn)練。

• 在分割掩碼和邊界框掩碼之間添加了一個(gè)權(quán)重遷移函數(shù)。

• 當(dāng)使用一個(gè)無掩碼的輸入時(shí)，將

• 如下圖所示：A 表示 COCO 數(shù)據(jù)集，B 表示 Visual Genome 數(shù)據(jù)集，對(duì)網(wǎng)絡(luò)的不同輸入使用不同的訓(xùn)練路徑。

• 將兩個(gè)損失同時(shí)進(jìn)行反向傳播將導(dǎo)致

  • Fix：當(dāng)反向傳播掩碼損失時(shí)，要計(jì)算預(yù)測(cè)掩碼的權(quán)重 τ 關(guān)于權(quán)重遷移函數(shù)參數(shù) θ 的梯度值，而對(duì)邊界框的權(quán)重

  • ，其中 τ 表示預(yù)測(cè)掩碼的權(quán)重值。?

由于 Visual Genome 數(shù)據(jù)集沒有分割標(biāo)注，模型無法給出在該數(shù)據(jù)集上目標(biāo)分割的準(zhǔn)確率，因此作者在其他的數(shù)據(jù)集上展示模型的驗(yàn)證結(jié)果。PASCAL-VOC 數(shù)據(jù)集有 20 個(gè)目標(biāo)類別，這些類別全部包含在 COCO 數(shù)據(jù)集中。因此，對(duì)于這 20 種類別，他們使用 PASCAL-VOC 數(shù)據(jù)集的分割標(biāo)注及 COCO 數(shù)據(jù)集中相應(yīng)類別的邊界框標(biāo)簽對(duì)模型進(jìn)行訓(xùn)練。

論文展示了在 COCO 數(shù)據(jù)集中這 20 個(gè)類別上，模型實(shí)例分割的結(jié)果。此外由于兩個(gè)數(shù)據(jù)集包含兩種不同的真實(shí)標(biāo)簽，他們還對(duì)相反的情況進(jìn)行了訓(xùn)練，實(shí)驗(yàn)結(jié)果如下圖所示。

?