DPP能够对目标检测proposal进行非统一处理,根据proposal选择不同复杂度的算子,加速整体推理过程。从实验结果来看,效果非常不错
来源:晓飞的算法工程笔记 公众号
论文: Should All Proposals be Treated Equally in Object Detection?
在目标检测中,影响速度的核心主要是密集的proposal设计。所以,Faster RCNN → Cascade RCNN → DETR → Sparse RCNN的演变都是为了稀疏化proposal密度。虽然Sparse R-CNN成功地将proposal数量从几千个减少到几百个,但更复杂deation head导致减少proposal数量带来的整体计算收益有限。
复杂的deation head结构虽然能带来准确率的提升,但会抹杀轻量级设计带来的计算增益。对于仅有300个proposal的Sparse RCNN,deation head的计算量是主干网络MobileNetV2的4倍(25 GFLOPS 与 5.5 GFLOPS)。
为此,作者研究是否有可能在降低deation head计算成本的同时保留精度增益和proposal稀疏性。现有检测算法采用相同复杂度的操作处理所有proposal,在高质量proposal上花费大量的计算是合适的,但将相同的资源分配给低质量的proposal则是一种浪费。由于每个proposal的IoU在训练期间是已知的,所以可以让检测器学习为不同的proposal分配不同的计算量。
由于在推理时没有IoU,网络需要学习如何根据proposal本身进行资源分配。为此,作者提出了dynamic proposal processing(DPP),将detection head使用的单一算子替换为一个包含不同复杂度算子的算子集,允许检测器在复杂度-精度之间进行权衡。算子的选择通过增加一个轻量级选择模型来实现,该模型在网络的每个阶段选择适用于每个proposal的最佳算子。
假设主干网络产生了一组proposal$X = {x_1, x_2, \cdots, x_N }$,计算消耗主要来源于detection head而主干的计算消耗可忽略,并且将deation head的计算进一步分解为per-proposal的算子h
(网络结构)以及对应的proposal间处理组件p
(NMS
操作或proposal之间的的自注意机制)。
在之前的检测器中,所有的proposal都由同一个算子h
处理:
其中$\psi = {h, p}$,$C_h$ 和 $C_p$ 分别是h
和p
的 per-proposal 复杂度。
与其将相同的算子h
应用于所有proposal,作者建议使用包含J
个具有不同复杂度算子的算子集$\mathcal{G} = {hj}^J{j=1}$,由动态选择器s
选择具体的算子分配给proposal $x_i$:
其中$si = s(x_i)$, $h{si}\in \mathcal{G}$ 表示来自 $\mathcal{G}$ 的算子,由选择器s
分配给的proposal $x_i$,$\psi = {{h{si}}_i, s, p}$,$C{h_{s_i}}$为整个per-proposal操作的计算复杂度。为简单起见,p
的复杂度仍然视为常数。
当deation head对proposal非统一处理时,给定复杂性约束C
的最佳检测器精度可以通过优化算子对proposal的分配来提升:
其中$\mathcal{P}({h{s_i}}_i)$是分配的特定运算符${h{s_i}}_i$的精度。随着C
的变化,$P(\psi^{∗}|C)$构建了复杂度-精度(C-P)曲线,该曲线表示了可使用$\mathcal{G}$实现的目标检测器在成本和精度之间trade-off的最佳性能。
基于上面的背景,作者提出了一个动态proposal处理(DPP)。假设detection head由多个阶段($\psi = \phi1 \circ \cdots \circ \phi_K$)依次处理proposal,每个阶段$\varphi_K$由选择器s
从$\mathcal{G}$中选择的运算符实现。为了最小化复杂性,选择器每次只应用于阶段子集$k \in K \subset {1,\cdots,K}$,其余阶段使用上一次处理选择的运算符,即$\phi_k = \phi{k−1}, \forall k\notin K$。
作者提出了由三个计算成本差异较大的算子组成的算子集合$\mathcal{G} = {g_0, g_1, g_2}$:
在DPP中,通过控制操作符对proposal的分配,选择器是控制精度和复杂性之间权衡的关键组件。定义$z^k_i$是proposal $x_i$在阶段$\phi_k$的输入特征,选择器由3层MLP实现,输出与关联$z^k_i$的3维向量$\epsilon^k_i \in 0, 1^3$:
其中$\epsilon^k_{i,j}$是$\epsilon^k_i$中的选择变量,代表将操作$g_j$分配给proposal $x_i$的权重:
分配过程如图2所示,整体开销非常小(100个proposal仅需4e-3 GFLOPS),与detection head相比可以忽略不计。
从公式4可以看出,不同的proposal和阶段选择的算子都有变化,从而能够进行动态处理。
此外,虽然$\mathcal{G}$仅有三个候选项,但潜在的detection head网络结构有$3^{|K|}$种。最后,由于选择器是可训练的,所以整体结构可以端到端学习。
为了确保在给定复杂度的情况下,DPP能为每个proposal选择最优的操作序列,作者增加了选择器损失,包含两个目标:
M
个实例的倍数。此外,$T\in [T{min}, N ]$需通过根据预先指定的下限$T_{min}$和由总体proposal数N
给出的上限对$\alpha M$进行裁剪。下界防止对高复杂度算子进行过于稀疏的选择,然后$\alpha$则是根据实例数调整选择器。最终的整体选择器损失为:
选择器损失是一种即插即用损失,可以应用于不同的对象检测器。在实现时,与应用DPP的原始检测器的所有损失相结合,包括交叉熵损失和边界框回归损失。
DPP的主干网络使用MobileNet V2或ResNet-50,使用特征金字塔网络(FPN)生成多维特征,在其之上使用Sparse R-CNN的策略学习初始proposal。为简单起见,选择器仅应用于阶段 $K = {2, 4, 6}$。
对于损失函数,设置$\lambda=1$,$T_{min}=1$,$\alpha=2$,$N=100$。
不同候选算子对性能的贡献。
阶段1∼6的AP分别为${15.6, 32.1, 39.3, 41.7, 42.0, 42.2}$,精度在前 4 个阶段迅速增加,然后达到饱和。较后的阶段,复杂算子占比越少,这说明 DPP 如何在复杂性与精度之间取得相当成功。
阶段4和阶段6中,$g_0$的预测结果。
基于ResNet50与SOTA算法对比。
基于MobileNetV2与SOTA算法对比。
推理速度对比。
选择器损失的作用。
复杂算子预期数量的作用。
DPP能够对目标检测proposal进行非统一处理,根据proposal选择不同复杂度的算子,加速整体推理过程。从实验结果来看,效果非常不错。
如果本文对你有帮助,麻烦点个赞或在看呗~undefined更多内容请关注 微信公众号【晓飞的算法工程笔记】
原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。
如有侵权,请联系 cloudcommunity@tencent.com 删除。
原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。
如有侵权,请联系 cloudcommunity@tencent.com 删除。