《IoU-Net: Acquisition of Localization Confidence for Accurate Object Detection》论文笔记

- 日理万妓 2022-04-03 02:30 313阅读 0赞

# 1. 前言 #

目前基于CNN的目标检测器是依赖于边界框回归与非极大值抑制去定位目标。但是预测框的分类反映的是分类的置信度，并不能反应定位的置信度，这就会掉之预测框在回归的过程中发生退化或者被NMS抑制。这篇文章提出了：（1）IoU\_Net去预测检测框与GT框的IOU，从而使得网络获得**定位置信度**，（2）这样通过保持定位精度来改进NMS过程。还提出了一种基于优化的边界框优化方法，以预测IoU为目标。该方法在COCO数据集上展现了它的有效性，而且可以该方法可以迁移到当今目标检测方法中去（改动主要集中于给出IOU置信度、优化NMS方法、优化边界框）。  
当前主要的目标检测方法是两阶段的检测方法，其分为如下几步：  
1）区分前景与背景区域，并为它们分配一个合适的类别标签。  
2）通过极大化与GT的IOU或是其它的度量手段来回归定位参数。  
3）最后通过NMS去除多余的检测框，得到最后的结果。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21fYnVkZHk_size_16_color_FFFFFF_t_70]  
但是在上面提到的两阶段检测方法中，会存在两点缺点：  
1）多余的检测框抑制并不会考虑检测框的定位精度，而是以分类的概率作为度量。上面的a图中就展示了具有高的分类概率但是与GT有较低的IOU。这也就是定位的精度被NMS抑制。  
2）缺失定位置信度是的被广泛采用的预测框回归解释性变差。一个现象就是使得定位框的回归随着迭代的进行变得“非单调曲线”，见下图所示：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21fYnVkZHk_size_16_color_FFFFFF_t_70 1]  
那么，为了解决这样的问题。在这篇文章中引入IOU-Net，其预测检测框与GT的IOU，使得网络拥有类似于分类模块的定位置信度，为之前提到的问题提供了新的解决办法：  
1）IOU本来就是很自然的定位准则。可以将NMS中的排序规则（分类概率）换成是定位置信度，从而排除分类置信度打来的错误引导。  
2）与传统的回归方法相比提出了基于最优化的检测框优化方法。在推理的过程中预测的IOU被当作最优化的目标，作为定位的置信度。给出的精确ROI Pooling层是的可以通过梯度下降解决IOU的最优化问题。这个与传统的方法相比有了很大的提升，并且可以在其它基于CNN的检测器上集成。

# 2. 之前方法对于检测的影响 #

首先，来看一下经典论文中采用的IOU阈值对于检测精度的影响，看下面左图中IOU与分类置信度之间的关系：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21fYnVkZHk_size_16_color_FFFFFF_t_70 2]  
从左图中可以看到在阈值0.5之前，分类的置信度被人为拉低（被作为负样本或是抛弃掉）。只有大于了0.5才算做是正类，才在网络中对其进行回归。但是可以看出，其分布并不是很聚中，而是呈现弥散状态。而右边的图就不是了，反映了IOU与定位置信度之间的天然联系。  
NMS对网络检测的影响，NMS本来被引入是为了去除重复的多检区域。但是其排序的准则是预测框的分类置信度，这就是问题所在了。下图是使用NMS与文章中提出的NMS方法的对比，可以看到原始的方法对于预测框是存在抑制的。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21fYnVkZHk_size_16_color_FFFFFF_t_70 3]  
最后，原有的预测框优化方法并不是“单调的曲线”，会随着迭代的进行出现下降的情况  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21fYnVkZHk_size_16_color_FFFFFF_t_70 4]

# 3. IOU-Net #

## 3.1 网络的整体结构 ##

针对上面提到的这些问题，文章给出了新的网络模块IOU-Net，使用该模块对原有的网络进行修改得到的新的网络结构如下：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21fYnVkZHk_size_16_color_FFFFFF_t_70 5]  
在网络中，生成IOU-Net的训练预测框与标注是通过增广GT，而不是在RPN的基础上选择候选。特别地，对于所有的GT框使用一些随机参数生成GT候选集，并且删除其中与原对应GT框IOU小于0.5的候选，然后训练的时候从这个集中均匀采样生成训练集。这样做的好处可以带来更好的性能以及更强的鲁棒性。对于每个边界框，特征是从Precise POI Pooling层上抽取出来的，这些特征被送入两层的前馈网络去预测IOU。为了获得更好的性能，这里使用了class-aware IOU预测器。且该IOU预测器与现存的基于ROI的检测器是适配的。

## 3.2 IOU-guided NMS ##

改进之后的NMS算法流程为：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21fYnVkZHk_size_16_color_FFFFFF_t_70 6]  
很明显的改进体现在使用定位置信度作为预测框排序的准则，并使用求max的方法获得当前运算框的置信度。

## 3.3 基于优化的定位框细化算法 ##

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21fYnVkZHk_size_16_color_FFFFFF_t_70 7]

## 3.4 边界框细化的优化步骤 ##

预测边界框的优化问题可以被数学定义为最优化如下算子：  
![在这里插入图片描述][20181219230453116.png]  
 b o x d e t box\_\{det\} boxdet是检测框， b o x g t box\_\{gt\} boxgt是GT框， t r a n s f o r m transform transform是一个使用参数c对 b o x d e t box\_\{det\} boxdet进行的变换函数， c r i t crit crit是两个边界框的距离度量，使用的是smooth-L1距离。  
基于回归的优化算法直接使用前馈神经网络去预估优化的参数 c ∗ c^\* c∗，但是这样的方法在迭代的过程中对输入的分布是很敏感的，且可能会导致定位精度非单调地提升，之前的图也有展示。为了解决该问题这篇文章给出了基于最优化的边界框优化方法，它使用IOU-Net作为鲁棒定位精度预估。  
这里要说一下论文中提到的PrROI Pooling，该ROI Pooling方法与Faster RCNN与Mask RCNN中使用的方法相比做了改进，可以从下图中进行体现（详细区别比较长，后序再写一篇）：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21fYnVkZHk_size_16_color_FFFFFF_t_70 8]  
对于特征图中位置在 ( i , j ) (i,j) (i,j)处的特征值 w i , j w\_\{i,j\} wi,j，使用双线性插值算法下采样的特征图也可以认为在位置 ( x , y ) (x,y) (x,y)是连续的。  
 f ( x , y ) = ∑ i , j I C ( x , y , i , j ) ∗ w i , j f(x,y)=\\sum\_\{i,j\}IC(x,y,i,j)\*w\_\{i,j\} f(x,y)=i,j∑IC(x,y,i,j)∗wi,j  
其中 I C ( x , y , i , j ) = m a c ( 0 , 1 − ∣ x − i ∣ ) ∗ m a x ( 0 , 1 − ∣ y − j ∣ ) IC(x,y,i,j)=mac(0,1-|x-i|)\*max(0,1-|y-j|) IC(x,y,i,j)=mac(0,1−∣x−i∣)∗max(0,1−∣y−j∣)。对于每个ROI区域反向投影画出的区域使用一对角点表示 b i n = ( x 1 , y 1 ) , ( x 2 ) , y 2 bin=\{(x\_1,y\_1), (x\_2),y\_2\} bin=(x1,y1),(x2),y2，分别代表左上角与右上角。然后使用积分的形式计算该区域的值。这样就避免了在量化过程中产生的误差，提升了精度。  
![在这里插入图片描述][20181219230037509.png]  
然后是其梯度的传递计算：  
![在这里插入图片描述][20181219230100405.png]

# 4. 结果 #

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21fYnVkZHk_size_16_color_FFFFFF_t_70 9]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21fYnVkZHk_size_16_color_FFFFFF_t_70]: /images/20220403/af976573cd814401accddf6fb1362c5c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21fYnVkZHk_size_16_color_FFFFFF_t_70 1]: /images/20220403/52c1979d85354958b1769c93a4c3c2c0.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21fYnVkZHk_size_16_color_FFFFFF_t_70 2]: /images/20220403/b16dd681cd3c4614b6f2323ec38a5ba2.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21fYnVkZHk_size_16_color_FFFFFF_t_70 3]: /images/20220403/85d6e1e252894a9ca98177acb45d27f4.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21fYnVkZHk_size_16_color_FFFFFF_t_70 4]: /images/20220403/ec537e3806ab41a184657573c2f731c2.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21fYnVkZHk_size_16_color_FFFFFF_t_70 5]: /images/20220403/e8eda1475e4e4425aed5817d9dae20d9.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21fYnVkZHk_size_16_color_FFFFFF_t_70 6]: /images/20220403/09f0ccbf1d4a4548bfcb0e9e8882d211.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21fYnVkZHk_size_16_color_FFFFFF_t_70 7]: /images/20220403/4d5964862ba740c7bbf6831f9f5495df.png
[20181219230453116.png]: /images/20220403/0a07b372b63d474fbd9c454634c66a5d.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21fYnVkZHk_size_16_color_FFFFFF_t_70 8]: /images/20220403/182a90fdbd7641b3a14f20a1b473226e.png
[20181219230037509.png]: /images/20220403/ae930d2b70674ae481cdd5323c0898f8.png
[20181219230100405.png]: /images/20220403/967b2729b2c74cfcb0fadd2d9f572c25.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L21fYnVkZHk_size_16_color_FFFFFF_t_70 9]: /images/20220403/83a26d8c792341b3a92bae4ef6825d75.png