CVPR 2017論文解讀：特征金字塔網(wǎng)絡(luò)FPN
論文：Feature Pyramid Networks for Object Detection
論文地址：https://arxiv.org/abs/1612.03144
這里介紹的文章是來(lái)自 Facebook 的特征金字塔網(wǎng)絡(luò) Feature Pyramid Networks(FPN)。FPN 主要解決的是物體檢測(cè)中的多尺度問(wèn)題，通過(guò)簡(jiǎn)單的網(wǎng)絡(luò)連接改變，在基本不增加原有模型計(jì)算量情況下，大幅度提升了小物體檢測(cè)的性能。我們將從論文背景，論文思想，結(jié)果與結(jié)論幾方面探討此論文。
在物體檢測(cè)里面，有限計(jì)算量情況下，網(wǎng)絡(luò)的深度（對(duì)應(yīng)到感受野）與 stride 通常是一對(duì)矛盾的東西，常用的網(wǎng)絡(luò)結(jié)構(gòu)對(duì)應(yīng)的 stride 一般會(huì)比較大（如 32），而圖像中的小物體甚至?xí)∮?stride 的大小，造成的結(jié)果就是小物體的檢測(cè)性能急劇下降。傳統(tǒng)解決這個(gè)問(wèn)題的思路包括：（1）多尺度訓(xùn)練和測(cè)試，又稱圖像金字塔，如圖 1(a) 所示。目前幾乎所有在 ImageNet 和 COCO 檢測(cè)任務(wù)上取得好成績(jī)的方法都使用了圖像金字塔方法。然而這樣的方法由于很高的時(shí)間及計(jì)算量消耗，難以在實(shí)際中應(yīng)用。（2）特征分層，即每層分別預(yù)測(cè)對(duì)應(yīng)的 scale 分辨率的檢測(cè)結(jié)果。如圖 1(c) 所示。SSD 檢測(cè)框架采用了類似的思想。這樣的方法問(wèn)題在于直接強(qiáng)行讓不同層學(xué)習(xí)同樣的語(yǔ)義信息。而對(duì)于卷積神經(jīng)網(wǎng)絡(luò)而言，不同深度對(duì)應(yīng)著不同層次的語(yǔ)義特征，淺層網(wǎng)絡(luò)分辨率高，學(xué)的更多是細(xì)節(jié)特征，深層網(wǎng)絡(luò)分辨率低，學(xué)的更多是語(yǔ)義特征。
因此，目前多尺度的物體檢測(cè)主要面臨的挑戰(zhàn)為：
- 如何學(xué)習(xí)具有強(qiáng)語(yǔ)義信息的多尺度特征表示？
- 如何設(shè)計(jì)通用的特征表示來(lái)解決物體檢測(cè)中的多個(gè)子問(wèn)題？如 object proposal, box localization, instance segmentation.
- 如何高效計(jì)算多尺度的特征表示？
本文針對(duì)這些問(wèn)題，提出了特征金字塔網(wǎng)絡(luò) FPN，如圖 1(d) 所示，網(wǎng)絡(luò)直接在原來(lái)的單網(wǎng)絡(luò)上做修改，每個(gè)分辨率的 feature map 引入后一分辨率縮放兩倍的 feature map 做 element-wise 相加的操作。通過(guò)這樣的連接，每一層預(yù)測(cè)所用的 feature map 都融合了不同分辨率、不同語(yǔ)義強(qiáng)度的特征，融合的不同分辨率的 feature map 分別做對(duì)應(yīng)分辨率大小的物體檢測(cè)。這樣保證了每一層都有合適的分辨率以及強(qiáng)語(yǔ)義特征。同時(shí)，由于此方法只是在原網(wǎng)絡(luò)基礎(chǔ)上加上了額外的跨層連接，在實(shí)際應(yīng)用中幾乎不增加額外的時(shí)間和計(jì)算量。作者接下來(lái)實(shí)驗(yàn)了將 FPN 應(yīng)用在 Faster RCNN 上的性能，在 COCO 上達(dá)到了 state-of-the-art 的單模型精度。
具體而言，F(xiàn)PN 分別在 RPN 和 Fast RCNN 兩步中起到作用。其中 RPN 和 Fast RCNN 分別關(guān)注的是召回率和正檢率，在這里對(duì)比的指標(biāo)分別為 Average Recall(AR) 和 Average Precision(AP)。分別對(duì)比了不同尺度物體檢測(cè)情況，小中大物體分別用 s,m,l 表示。
在 RPN 中，區(qū)別于原論文直接在***的 feature map 上設(shè)置不同尺度和比例的 anchor，本文的尺度信息對(duì)應(yīng)于相應(yīng)的 feature map（分別設(shè)置面積為 32^2, 64^2, 128^2, 256^2, 512^2），比例用類似于原來(lái)的方式設(shè)置 {1:2, 1:1,, 2:1} 三種。與 RPN 一樣，F(xiàn)PN 每層 feature map 加入 3*3 的卷積及兩個(gè)相鄰的 1*1 卷積分別做分類和回歸的預(yù)測(cè)。在 RPN 中，實(shí)驗(yàn)對(duì)比了 FPN 不同層 feature map 卷積參數(shù)共享與否，發(fā)現(xiàn)共享仍然能達(dá)到很好性能，說(shuō)明特征金字塔使得不同層學(xué)到了相同層次的語(yǔ)義特征。RPN 網(wǎng)絡(luò)的實(shí)驗(yàn)結(jié)果為：
這里 FPN 對(duì)比原來(lái)取自 conv4 和 conv5 的 RPN 網(wǎng)絡(luò) (a)(b)，召回率得到了大幅度提升，尤其在中物體和小物體上 (c)。另外，作者做了變量對(duì)比實(shí)驗(yàn)，比如只保留橫向連接 (d)，即特征分層網(wǎng)絡(luò)，性能僅與原 RPN 差不多，原因就在于不同層之間的語(yǔ)義特征差距較大。另外，試驗(yàn)了砍掉橫向連接，只保留自上而下放大 feature map 做預(yù)測(cè)結(jié)果 (e)，以及只用最終得到的 feature map 層 (f)，均比完整的 FPN 網(wǎng)絡(luò)小物體檢測(cè) AR 低 10 個(gè)點(diǎn)左右。說(shuō)明金字塔特征表示與橫向連接都起了很大作用。
實(shí)驗(yàn) Fast RCNN 時(shí)，需要固定 FPN+RPN 提取的 proposal 結(jié)果。在 Fast RCNN 里，F(xiàn)PN 主要應(yīng)用于選擇提取哪一層的 feature map 來(lái)做 ROI pooling。假設(shè)特征金字塔結(jié)果對(duì)應(yīng)到圖像金字塔結(jié)果。定義不同 feature map 集合為 {P2, P3, P4, P5}，對(duì)于輸入網(wǎng)絡(luò)的原圖上 w*h 的 ROI，選擇的 feature map 為 Pk，其中（224 為 ImageNet 輸入圖像大小）：
類似于 RPN 的實(shí)驗(yàn)，對(duì)比了原有網(wǎng)絡(luò)，以及不同改變 FPN 結(jié)構(gòu)的 Fast RCNN 實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果為：
實(shí)驗(yàn)發(fā)現(xiàn) FPN 篩選 ROI 區(qū)域，同樣對(duì)于 Fast RCNN 的小物體檢測(cè)精度有大幅提升。同時(shí)，F(xiàn)PN 的每一步都必不可少。
***，F(xiàn)PN 對(duì)比整個(gè) Faster RCNN 的實(shí)驗(yàn)結(jié)果如下：
對(duì)比其他單模型方法結(jié)果為：
***是在 FPN 基礎(chǔ)上，將 RPN 和 Fast RCNN 的特征共享，與原 Faster CNN 一樣，精度得到了小幅提升。
FPN+Faster RCNN 的方法在 COCO 數(shù)據(jù)集上最終達(dá)到了***的單模型精度。
總結(jié)起來(lái)，本文提出了一種巧妙的特征金字塔連接方法，實(shí)驗(yàn)驗(yàn)證對(duì)于物體檢測(cè)非常有效，極大提高了小物體檢測(cè)性能，同時(shí)由于相比于原來(lái)的圖像金字塔多尺度檢測(cè)算法速度也得到了很大提升。
CVPR 現(xiàn)場(chǎng) QA：
1. 不同深度的 feature map 為什么可以經(jīng)過(guò) upsample 后直接相加？
A：作者解釋說(shuō)這個(gè)原因在于我們做了 end-to-end 的 training，因?yàn)椴煌瑢拥膮?shù)不是固定的，不同層同時(shí)給監(jiān)督做 end-to-end training，所以相加訓(xùn)練出來(lái)的東西能夠更有效地融合淺層和深層的信息。
2. 為什么 FPN 相比去掉深層特征 upsample(bottom-up pyramid) 對(duì)于小物體檢測(cè)提升明顯？（RPN 步驟 AR 從 30.5 到 44.9，F(xiàn)ast RCNN 步驟 AP 從 24.9 到 33.9）
A：作者在 poster 里給出了這個(gè)問(wèn)題的答案
對(duì)于小物體，一方面我們需要高分辨率的 feature map 更多關(guān)注小區(qū)域信息，另一方面，如圖中的挎包一樣，需要更全局的信息更準(zhǔn)確判斷挎包的存在及位置。
3. 如果不考慮時(shí)間情況下，image pyramid 是否可能會(huì)比 feature pyramid 的性能更高？
A：作者覺(jué)得經(jīng)過(guò)精細(xì)調(diào)整訓(xùn)練是可能的，但是 image pyramid 主要的問(wèn)題在于時(shí)間和空間占用太大，而 feature pyramid 可以在幾乎不增加額外計(jì)算量情況下解決多尺度檢測(cè)問(wèn)題。
本文轉(zhuǎn)自機(jī)器之心，作者為 Momenta 高級(jí)研發(fā)工程師李俊。
