在Google主辦的最大規模開放圖像目標檢測競賽中，中國團隊再次獲得冠軍。獲獎技術采用了FPN，cascade-rcnn等最新的檢測算法，并面向復雜實際場景數據集對算法進行了改進，模型性能實現了大幅提升。

眼睛是人類接觸外部世界的第一感官，對于機器而言，計算機視覺技術就是它們的“眼睛”。近日，百度視覺團隊在全球最大規模目標檢測競賽Google AI Open Images-Object Detection Track中從全球450多支參賽隊伍中脫穎而出，獲得世界第一，并在ECCV 2018上進行分享。

Google AI Open Images-Object Detection Track是大規模目標檢測任務的權威挑戰賽事，由Google AI Research舉辦，賽事遵循 PASCAL VOC、ImageNet和COCO等賽事傳統，但數據規模遠大于這些賽事。

Open Images V4數據集

據介紹，大賽采用Google今年5月份發布的Open Images V4數據集作為訓練數據集，包含超過170萬的圖片數據，500個類別以及超過1200萬物體框，數據沒有完全精細標注，屬于弱監督任務，框選類別數目不均衡且有非常廣泛的類別分布，這更符合實際情況，也意味著參加競賽的團隊需要考慮到類別的分布，而不能統一對所有類別做處理，因此更具挑戰性。這項賽事有助于復雜模型的研究，同時對評估不同檢測模型的性能有積極的促進作用。下圖為Open Image V4 與 MS COCO 和 ImageNet 檢測任務數據對比情況。

Open Image V4 與 MS COCO及ImageNet 檢測數據對比情況

與傳統的檢測數據集合相比，該賽事除了數據規模大、更真實之外，還存在一系列的挑戰。具體來說，主要集中在以下三個方面：

數據分布不均衡：最少的類別框選只有14個，而最多的類別框選超過了140w，數據分布嚴重不均衡。

類別框數量分布

漏標框：很多圖片存在只標注主體類別，其他小物體或者非目標物體沒有標注出來。

漏標注圖片舉例

尺度變化大：大部分物體框只占整個圖片的0.1以下，而有些框選卻占了整個圖片區域。如圖所示，Open Image V4集合存在更多的小物體，參賽者也會在檢測數據中遇到更大的挑戰。

框尺度大小分布對比

解決方案

在比賽過程中百度視覺團隊采用了不同復雜度、不同骨架網絡進行模型的訓練，并對這些模型進行融合。從整體方案框架來看，可分為Fast R-CNN和Faster R-CNN兩種不同的訓練模式。Fast R-CNN版本是該團隊研發的一套PaddlePaddle版本，在此基礎上Faster R-CNN加入了 FPN、Deformable、Cascade等最新的檢測算法，模型性能實現了大幅度的提升。

整體方案框架流程圖

骨架網絡為ResNet-101 的Fast R-CNN，模型收斂后可以達到0.481，在測試階段加入Soft NMS以及 Multi-Scale Testing策略，可以達到0.508。研究人員也嘗試了其他骨架網絡（dpn98,Inception-v4,Se-ResNext101）,并把不同骨架網絡的檢測算法融合到一起，最終mAP可以達到0.546。在Proposal采樣階段，團隊使用在不同位置進行不同尺度的候選框生成，然后對這些框選進行分類以及調整他們的位置。

Faster R-CNN: 采用這種框架可以達到略高于Fast R-CNN，mAP為0.495。在測試階段使用Soft NMS以及 Multi-Scale Testing策略后，性能達到0.525。

Deformable Convolutional Networks使用Soft NMS以及 Multi-Scale Testing策略前后，性能分別達到0.528及0.559。

Deformable Cascade R-CNN : 使用Soft NMS以及 Multi-Scale Testing策略前后，性能分別可以達到0.581和0.590.

簡言之，在Fast R-CNN框架下，該團隊采用了不同的骨架網絡進行訓練，而在Faster R-CNN框架下只使用了ResNet101這種骨架網絡進行訓練。在訓練過程中，還通過不同的策略有效解決了各種技術問題。詳情如下：

動態采樣

Google Open Images V4 數據集大概有170w圖片，1220w框選，500個類別信息。最大的類別框選超過了140w,最小的類別只有14個框選，如果簡單使用所有的圖片及框選，需要幾十天才能進行模型訓練，而且很難訓練出來一個無偏的模型。因此，需要在訓練過程中進行動態采樣，如果樣本數量多則減少采樣概率，而樣本數量少則增加采樣概率。研究人員分別進行全集數據訓練、固定框選子集訓練、動態采樣模型訓練三種策略進行。

全集數據訓練：按照主辦方提供數據進行訓練，mAP達到0.50。

固定框選子集訓練：線下固定對每個類別最多選擇1000個框，mAP達到0.53。

動態采樣模型訓練：對每個GPU、每個Epoch采用線上動態采樣，每次采集的數據都不同，輪數達到一定數目后，整個全集的數據都能參與整體訓練。最后mAp達到0.56。

動態采樣策略

FPN

基于訓練數據集的分析，研究人員發現其中500個類別的尺度有很大的差異。因此他們將FPN引入到檢測模型中，即利用多尺度多層次金字塔結構構建特征金字塔網絡。在實驗中，他們以ResNet101作為骨干網絡，在不同階段的最后一層添加了自頂向下的側連接。自頂向下的過程是向上采樣進行的，水平連接是將上采樣的結果與自底向上生成的相同大小的feature map合并。融合后，對每個融合結果進行3*3卷積以消除上采樣的混疊效應。值得注意的是，FPN應該嵌入到RPN網絡中，以生成不同的尺度特征并整合為RPN網絡的輸入。最終，引入FPN后的mAP可達到0.528。

Deformable Convolution Networks

該團隊采用可變形卷積神經網絡增強了CNNs的建模能力。可變形卷積網絡的思想是在不需要額外監督的情況下，通過對目標任務的學習，在空間采樣點上增加額外的偏移量模塊。同時將可變形卷積網絡應用于以ResNet101作為骨架網絡的Faster R-CNN架構，并在ResNet101的res5a、5b、5c層之后應用可變形卷積層，并將ROI Pooling層改進為可變形位置敏感ROI Pooling層。可變形卷積網絡的mAP性能為0.552。

Cascade R-CNN

比賽中，該團隊使用級聯的R-CNN來訓練檢測模型。除訓練基本模型外，還使用包含五個尺度特征金字塔網絡(FPN)和3個尺度anchors的RPN網絡。此外，他們還訓練了一個針對全類模型中表現最差的150類的小類模型，并對這150類的模型別進行評估。得出的結論是，500類模型的MAP為0.477，而用150類單模型訓練結果替換500類的后150類的結果，則模型的MAP提升為0.498。使用以上方法進行訓練的單尺度模型的性能為0.573。

Testing Tricks

在后處理階段，團隊使Soft NMS和多尺度測試的方法。用Soft NMS的方法代替NMS后，在不同模型上有0.5-1.3點的改進，而Multi-Scale Testing在不同模型上則有0.6-2個點的提升。

模型融合

對于每個模型，該團隊在NMS后預測邊界框。來自不同模型的預測框則使用一個改進版的NMS進行合并，具體如下：

給每個模型一個0～1之間的標量權重。所有的權重總和為1；

從每個模型得到邊界框的置信分數乘以它對應的權重；

合并從所有模型得到的預測框并使用NMS，此外，除此之外，研究人員采用不同模型的分數疊加的方式代替只保留最高分模型，在這個步驟中IOU閾值為0.5。

其實，不論是在學術圈還是工業界，大規模目標檢測都是計算機視覺極為重要的基礎技術。通過這一技術，軟硬件應用產品可以深度定位圖片中的物體位置以及類別，并用于新零售、通用多物品識別等場景。