推薦理由

這是一篇浙江大學和香港中文大學發表於 CVPR 2019 的論文，這篇文章十分有趣，網友戲稱：“無痛漲點，實現簡單，良心 paper”，在我看來確實是這樣的，沒有太大的改造結構，不需增加計算成本的條件下，居然能漲兩個點 mAP。

除了本文解讀的 Libra R-CNN（天秤座 RCNN）[1]，我記得陳愷他們港中文的實驗室今年還中了一篇 CVPR 2019，Region Proposal by Guided Anchoring [2]，這篇也是不錯的，看題目就知道是指導 anchor 的形狀漲分的了。

這兩篇改進的原始碼都會在 Github 上放出，作者表示還在完善中，地址是：

https://github.com/open-mmlab/mmdetection

三個不平衡

縱觀目前主流的標的檢測演演算法，無論 SSD、Faster R-CNN、Retinanet 這些的 detector 的設計其實都是三個步驟： 

• 選擇候選區域 

• 提取特徵 

• 在 muti-task loss 下收斂 

往往存在著三種層次的不平衡： 

• sample level

• feature level

• objective level 

這就對應了三個問題： 

• 取樣的候選區域是否具有代表性？

• 提取出的不同 level 的特徵是怎麼才能真正地充分利用？

• 目前設計的損失函式能不能引導標的檢測器更好地收斂？

其實如果不對 detector 的結構做功夫的話，針對這些 imbalance 改進的其實就是為了把 detector 的真正功效給展現出來，就是如果把一個標的檢測器 train 好的問題。

對應的三個改進

IoU-balanced Sampling 

作者認為 sample level 的不平衡是因為隨機取樣造成的，Ross Girshick 後面提出了 OHEM（online hard example mining，線上困難樣本挖掘）是一個 hard negative mining 的一種好方法，但是這種方法對噪音資料會比較敏感。隨機取樣造成的不平衡可以看下圖：

作者發現瞭如果是隨機取樣的話，隨機取樣到的樣本超過 70% 都是在 IoU 在 0 到 0.05 之間的，有人會問不是隨機嗎？為什麼大部分樣本都落在了 IOU 較小的部分了呢？

因為樣本的分佈在 IoU 上並不是均勻分佈的，生成候選框時隨機取樣會造成背景框遠遠大於框中 GT 的框，一張圖這麼大，是標的物體的區域只佔很小一部分，背景佔了絕大多數的位置，所以大部分樣本都擠在了 IoU 在 0 到 0.05 的區間了。

作者覺得這裡就是不科學的地方，統計得到的事實是 60% 的 hard negative 都落在 IoU 大於 0.05 的地方，但是隨機取樣只提供了 30%。所以作者提出了 IoU-balanced Sampling。

隨機取樣就是比如你要選 N 個 hard negative，有 M 個候選框，選中的機率就是：

如果一共還是要取樣 N 個，透過 IoU 的值劃分為 K 個區間，每個區間中的候選取樣數為，則 IoU-balanced sampling 的取樣公式即為：

作者透過在 IoU 上均勻取樣，把 hard negative 在 IoU 上均勻分佈，在 COCO 資料集上達到的效果比 OHEM 的要好，並且這樣簡單很多。

Balanced Feature Pyramid

feature level 的不平衡表現在 low/high level 特徵的利用上，如何利用不同解析度的特徵。具體分為四步：

• rescaling

• integrating

• refining

• strengthening

1. rescaling & integrating

假設表示第 l 層特徵，越高層解析度越低，若有的多層特徵，C2 解析度最高，我們知道低層特診解析度高往往學習到的是細節特徵，高層特徵解析度低學習到語意特徵，把四層特徵 resize 到中間層次的 C4 的 size，然後後面再做簡單的相加取平均操作：

就是這樣簡單的操作並沒有引入什麼計算就可以實現，最終在 AP 上也得到了驗證是有效的。

2. refining & strengthening

rescaling 後取平均提取到的的特徵還可以進一步地 refine 成更 discriminative，作者這裡用到了 non-local 模組，paper 中使用了 Gaussian non-local attention [4] 增強 integrate 後的特徵。

就像 Figure 4 畫的一樣，這樣提取的特徵其實與 FPN 可以一同使用，是作為 feature pyramid 的補充，作為一種增強手段。

Balanced L1 Loss

Fast R-CNN [5] 中是透過 multi-task loss 解決 Classification（分類）和 Localization（定位）的問題的，定義如下：

和分別對應著分類和定位的損失函式，p, u 分別是的預測和標的，是對應 u 類的回歸結果。v 是回歸標的。λ 用於在多工學習下調整損失權重。 

之所以會提出 Balanced L1 loss，是因為這個損失函式是兩個 loss 的相加，如果分類做得很好地話一樣會得到很高的分數，而導致忽略了回歸的重要性，一個自然的想法就是調整 λ 的值。

我們把樣本損失大於等於 1.0 的叫做 outliers，小於的叫做 inliers。由於回歸標的是沒有邊界限制的，直接增加回歸損失的權重將會使模型對 outliers 更加敏感。

對於 outliers 會被看作是困難樣本（hard example），這些困難樣本會產生巨大的梯度不利於訓練的過程，而 inliers 被看做是簡單樣本（easy example）只會產生相比 outliers 大概 0.3 倍的梯度。

首先我們看 Smooth L1 Loss：

所以作者從常見的 Smooth L1 Loss 中推匯出了 Balanced L1 Loss：

它的梯度計算遵從下麵的準則：

作者從需求出發，想要得到一個梯度當樣本在 |x|<1 附近產生稍微大點的梯度，作者設計了下麵這個函式，從 Figure 5 可以看出 αln(b|x|+1) 大於 x。

根據梯度反求出 Lb(x) 運算式：

還有很重要的一點就是為了函式的連續性，需要滿足 x=1 時 Lb(1)=γ：

其實意思就是。

這個函式不得不說非常妙，成功掰彎了梯度，我也不知道他怎麼想出來的。

實驗結果

在 COCO test-dev 資料集上與目前 state-of-the-art 的標的檢測的方法對比，能比 Faster R-CNN、RetinaNet、Mask R-CNN 要高 2+ 的 AP。

三種解決方案的各種組合情況的對比實驗：

值得註意的是，作者對 IoU-balanced samping 做實驗時對 K 的取值做了實驗證明該方法對 K 的取值並不敏感，即對 IoU 分多少個區間並不敏感。

這是 IoU-balanced sampling 的候選框的視覺化效果：

總結

paper 邏輯清晰，緊緊抓住三個層次去做改進，三個問題對應三個解決方案，結構清晰一目瞭然，實驗充分，相比兩個單階段和兩階段檢測器的兩個代表 Faster R-CNN 和 RetinaNet 分別高了 2+ 的 AP，圖畫得也不錯，我覺得是篇好論文，而且應該是作者在比賽中實際運用到的才寫出了這篇 paper，以後標的檢測的比賽我覺得都可以參考這篇去做改進。

參考文獻

[1]. Pang J, Chen K, Shi J, et al. Libra R-CNN: Towards Balanced Learning for Object Detection[J]. arXiv preprint arXiv:1904.02701, 2019. 

[2]. Wang J, Chen K, Yang S, et al. Region proposal by guided anchoring[J]. arXiv preprint arXiv:1901.03278, 2019. 

[3]. Shrivastava A, Gupta A, Girshick R. Training region-based object detectors with online hard example mining[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2016: 761-769. 

[4]. Wang X, Girshick R, Gupta A, et al. Non-local neural networks[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018: 7794-7803. 

[5]. Ross Girshick. Fast R-CNN. In IEEE Conference on Computer Vision and Pattern Recognition, 2015.