论文阅读|目标检测之隐式的求解特征金字塔i-FPN

ゞ浴缸里的玫瑰 2022-11-03 04:19 221阅读 0赞

### 目录 ###

*  论文相关信息
 *  Abstract
 *  1. Introduction
 *  2. Related Work
 *  3. Methods
 *   *  3.1 Revisiting Deep Equilibrium Model
     *  3.2. Implicit Feature Pyramid Network
     *   *  3.2.1 Residual-Like Iteration
         *  3.2.2 Nonlinear Transformation  G θ G\_θ Gθ
     *  3.3. Optimization
 *  4. Experiments
 *  5. Limitation and Future Work
 *  参考

# 论文相关信息 #

1.论文题目：Implicit Feature Pyramid Network for Object Detection

2.发表时间：2020.12

3.文献地址：https://arxiv.org/abs/2012.13563

4.论文源码：

`论文贡献：`  
1.提出用于目标检测的隐式他特征金字塔网络i-FPN，基于固定点迭代直接生成有全局感受野的平衡特征。  
2.提出残差迭代的循环机制，用于更新金字塔设计的隐藏状态。

# Abstract #

文章提出了一个用于目标检测的隐式特征金字塔网络。当前的FPN通过堆叠不同尺度的blocks来获取大的感受野，作者则提出使用一种隐函数来模拟FPN的转换。文章还设计了一种类似于残差的迭代结构高效地更新隐藏状态。在MS COCO上的实验表明，i-FPN能够显著的提高基于ResNet-50-FPN的RetinaNet, Faster-RCNN, FCOS, ATSS and AutoAssign等模型，且分别提高了+3.4, +3.2, +3.5, +4.2, +3.2 mAP。

> 论文有点难理解。。。。

# 1. Introduction #

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lhbmdoYW8yMDE2MDcwMzAxMDE_size_16_color_FFFFFF_t_70_pic_center]

基于CNN的目标检测器一般分3部分：backbone，neck，head。其中backbone提取特征，neck生成拥有高层次的感受野和语义信息的特征图，head基于neck输出的特征图做最终的分类和回归。  
当前大部分的模型都是基于FPNs构建neck来融合多尺度特征以及扩张感受野。这种FPN的设计遵循一种显示方式，即堆叠不同尺度的连接块。如图1(a)所示，来自骨干网的多尺度特征倍送入几个权重独立的块，每个块都构建了跨尺度的连接来融合不同层的特征。例如，FPN引入top-down的路径来逐步融合特征。基于FPN，PANet增加额外的bottom-up的路径把低层次特征传递到高层中。NAS-FPN利用了神经架构搜索（NAS）来获取一个最优拓扑链接。EfficientDet则提出重复堆叠BiFPN块，BiFPN块简化了PANet并增加了双重方向的跨尺度连接。显示的FPN可以表示如下：  
 P = ( f θ 0 º f θ 1 ⋅ ⋅ ⋅ f θ T ) ( B ) P=(f\_\\theta^0ºf\_\\theta^1···f\_\\theta^T)(B) P=(fθ0ºfθ1⋅⋅⋅fθT)(B), (1)  
其中B是骨干网的多尺度特征图， f θ t f\_\\theta^t fθt则是第t个跨尺度连接块，P是最终的特征金字塔。  
上述的显示FPN虽然能提高检测性能，但是获得的**感受野有限**。而且简单增加“块”的数量会导致很大的参数量和内存消耗，例如EfficientDet堆叠了7个权重独立的BiFPN块。  
减少参数的一种有效方式是共享所有跨尺度连接块的权重，这也意味着$f\_\\theta^t=f\_\\theta,∀t $。当堆叠的块的数量趋近无穷时，这种权重共享的块的输出将收敛到一个固定点，这和机器翻译和序列建模中的发现相似。  
如果该固定点存在，则应该满足下式：  
 P ∗ = F θ ( P ∗ ; B ) P\*=F\_\\theta(P^\*;B) P∗=Fθ(P∗;B), (2)  
其中 P ∗ P^\* P∗是（equilibrium feature pyramid）平衡特征金字塔， F θ F\_\\theta Fθ是参数 θ \\theta θ的非线性变换，在所有的块中共享。作者把求解不动点的过程称为**隐式FPN（implicit FPN）**。  
有两种方案可以求解满足等式2的固定点 P ∗ P^\* P∗，一是展开权重共享的块，然这会导致极大的内存负担；另一种是黑盒根寻找(root-finding)方法，可以用来直接生成平衡金字塔 P ∗ P^\* P∗。后者有两个有点：它模拟了无限堆叠模块的情景，但仅含有单个模块的参数；它会产生有全局（较大）的感受野的平衡特征。

DEQ中的隐函数采用了一种复杂交互设计，其中隐藏序列和输入序列有复杂的交互方式，这种交互可能导致梯度消失问题，并使得难以通过根秋节方法求解隐函数的固定点。论文提出一种类似残差的迭代结构来简化设计，将骨干网络的输出特征与原始金字塔特征直接相加，并将相加后的特征输入到非线性变换中。得益于残差结构，模型能够平稳地传播梯度，从而增强i-FPN的特征学习。

# 2. Related Work #

这部分介绍了一些经典目标检测器，如FCOS，DETR等，然后是介绍了neck部分金字塔的相关工作，如FPN，PANet，Bi-FPN以及NAS-FPN，CBNet等，并指出这些方法都是显示得堆叠不同尺度的模块来增加感受野的，而论文提出的是一种隐式金字塔网络。接着就implicit modeling做了介绍，这方面的工作以及由几十年了，经典的有RBP，Nerual ODE，近期的有TrellisNet，DEQ，RAFT，GRU，MDEQ等。

# 3. Methods #

本节详细回顾深度平衡模型deep equilibrium model (DEQ)，然后展示隐式特征金字塔以及和残差相似的迭代。最后是整体的优化过程。

## 3.1 Revisiting Deep Equilibrium Model ##

深度序列模型可表示如下：  
 h k + 1 = f θ k ( h k ; x ) , k = 0 , 1 , 2 , . . . , L − 1 h^\{k+1\}=f\_\\theta^k(h^k;x),k=0,1,2,...,L-1 hk\+1=fθk(hk;x),k=0,1,2,...,L−1 (3)  
其中L是变换模块的数量，x是输入的长为T的序列。隐藏序列 h k + 1 h^\{k+1\} hk\+1是第k个带有 θ \\theta θ的变换 f θ k f\_\\theta^k fθk。  
近期工作表明在每个块中应用这些相同的变换仍能取得不错的表现，这表明：  
 f θ k = f θ f\_\\theta^k=f\_\\theta fθk=fθ, (4)  
当堆叠无数次时，这些权重共享块的输出逐渐收敛于一个固定点，达到一个平衡 h ∗ h^\* h∗。  
 lim ⁡ k → ∞ h k + 1 = lim ⁡ k → ∞ f θ ( h k ; x ) = f θ ( h ∗ ; x ) = h ∗ \\lim\_\{k \\to \\infty\} h^\{k+1\}=\\lim\_\{k \\to \\infty\}f\_\\theta(h^k;x)=f\_\\theta(h^\*;x)=h^\* limk→∞hk\+1=limk→∞fθ(hk;x)=fθ(h∗;x)=h∗, (5)  
接着可用DEQ来直接计算下面非线性变换中的固定点 h ∗ h\* h∗：  
 h ∗ = f θ ( h ∗ ; x ) h^\*=f\_\\theta(h^\*;x) h∗=fθ(h∗;x) , (6)  
固定点对应无限深度（infinite-depth）网络的最后一个变换块的输出。与直接显示的堆叠无限个块不同，DEQ使用black-box root-finding黑盒根寻找方法来解固定点 h ∗ h^\* h∗。理论上来说，给定一个初始隐藏状 h 0 h^0 h0，则使用任意黑盒根寻找方法都能获取该固定点。

## 3.2. Implicit Feature Pyramid Network ##

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lhbmdoYW8yMDE2MDcwMzAxMDE_size_16_color_FFFFFF_t_70_pic_center 1]

图2.带隐式特征金字塔的目标检测器的整体结构。最初的金字塔特征(灰色的)初始化为0，和骨干网特征图（绿色的）一起送入隐式FPN（Implicit FPN）。**Implicit FPN**（图中圆框部分包含的这部分，即固定点的求解过程）中，使用非线性变换 G θ G\_\\theta Gθ（浅蓝色的）来构造隐函数，然后使用平衡特征求解器求解隐函数的带固定点 P ∗ P^\* P∗（黄色的）。最后平衡特征金字塔送入网络头生成最终检测结果（深蓝色的）。

网络的总体架构如图2所示，包含基本特征提取，隐式特征金字塔网络和检测头。骨干网使用的是ResNet来提取得到骨干网特征图 B = B 1 , B 2 , . . . B n B=\{B\_1,B\_2,...B\_n\} B=B1,B2,...Bn。对于i-FPN，初始的金字塔特征 P 0 = P 1 0 , P 2 0 , . . . P n 0 P^0=\{P\_1^0,P\_2^0,...P\_n^0\} P0=P10,P20,...Pn0被初始化到0，然后和B相加。 相加后的特征 Z = Z 1 , Z 2 , . . . Z n Z=\{Z\_1,Z\_2,...Z\_n\} Z=Z1,Z2,...Zn被送入到非线性变换 G θ G\_\\theta Gθ，这里 G θ G\_\\theta Gθ充当着隐函数。然后平衡特征求解器通过求解隐函数得到平衡金字塔 P ∗ = P 1 ∗ , P 2 ∗ , . . . P n ∗ P^\*=\{P\_1^\*,P\_2^\*,...P\_n^\*\} P∗=P1∗,P2∗,...Pn∗。最终，平衡特征金字塔 P ∗ P^\* P∗送入检测头生成最终的分类和回归预测。

### 3.2.1 Residual-Like Iteration ###

![在这里插入图片描述][20210226164823921.png_pic_center]

图3. The pipeline of residual-like iteration.骨干网的特征图开始时和初始金字塔特征（初始化为0）相加，然后送入非线性变换 G θ G\_\\theta Gθ生成中间特征，生成的中间特征又和骨干网的特征相加并在此送入非线性变换，如此不断重复，理论上能够重复无限次，迭代得到平衡特征金字塔 P ∗ P^\* P∗。

图3展示了模拟无限的FPN的residual-like iteration，也即我们i-FPN的显示形式，其中骨干网受限和初始特征 P 0 P^0 P0相加，然后结果特征输入到非线性变换 G θ G\_\\theta Gθ生成中间特征 P 1 P^1 P1，如此重复， G θ G\_\\theta Gθ的贡献越来越小，迭代无数次之后得到平衡特征金字塔 P ∗ P^\* P∗。按照这种方式，可以总结residual-like iteration，将等式2定义为：

P ∗ = G θ ( P ∗ + B ) P^\*=G\_\\theta(P^\*+B) P∗=Gθ(P∗\+B), (7)

其中固定点 P ∗ P^\* P∗可以通过展开求解器(solver)或者DEQ中的Broyden solver得到。和ResNet相似，residual-like iteration也通过shortcut连接进行残差学习，骨干网特征充当有力的prior，领导非线性变换 G θ G\_\\theta Gθ的学习，因此residual-like iteration可以阻止i-FPN的梯度消失问题，而且理论是得到一个无限深度的FPN。这种设计方式，使得信息能够反向传播，增强i-FPN的特征学习。

### 3.2.2 Nonlinear Transformation  G θ G\_θ Gθ ###

非线性变化 G θ G\_θ Gθ用于构造i-FPN的implicit function（隐函数），因此 G θ G\_θ Gθ的结构决定了implicit-nodeling的表示能力，对于 G θ G\_θ Gθ的设计，现有几种设计策略。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lhbmdoYW8yMDE2MDcwMzAxMDE_size_16_color_FFFFFF_t_70_pic_center 2]

与HRNet中的特征融合模块相似，一种直接的方式是建立一个dense FPN，如图4(a)，每个输出特征都和所有的输入特征相连。如果输入特征和输出特征在同一层，则连接代表侧边连接（紫色线），这种可以通过1×1卷积实现。如果输入层比输出层高，输入层将被1×1卷积核一个上采样(蓝色线)处理，对于低层的输入层，输入特征被stride为2的3×3卷积下采样（黄色线）。

虽然输出层聚集所有输入层的特征，但是每层的非线性还远不够，于是b中加入给每个输入特征加入另一个基本残差模块(basic residual block)来增加非线性特性。每个基本残差模块包括一个shortcut连接和两个带有组卷积的3×3的卷积。

然后考虑到骨干网的特征只与邻近层高度相关，于是图4©中应用了金字塔卷积来减少计算冗余并高效地融合不同尺度特征。因此，i-FPN中的非线性变化可以被表示如下：

![在这里插入图片描述][20210226164842969.png_pic_center]

其中 Z j Z\_j Zj指第j层的输入特征， R j R\_j Rj指的是第j层的基础残差模块。如果i=j，那么 W i j W\_\{ij\} Wij指代一个3×3卷积，如果i<j，那么 W i j W\_\{ij\} Wij 表示跟着双线性上采样的3×3卷积， W i j W\_\{ij\} Wij 中也可以使用BN和deformable kernel。

## 3.3. Optimization ##

等式7中固定点可以通过展开求解或者黑盒求解，如果使用展开方式，骨干网和非线性变化的参数通过反向传播练链式更新。这里主要介绍黑盒求解方式的优化过程。对于黑盒求解，i-FPN的全局优化处理包括前向求解(forward solving)和反向传播，基于上文提到的非线性变换 G θ G\_\\theta Gθ，前向求解得到等式7中的固定点 P ∗ P^\* P∗，表示i-FPN的平衡特征金字塔。然后骨干网和非线性变换 G θ G\_\\theta Gθ的参数由基于已解得的平衡特征金字塔的反向传播来更新。

\*\*Forward Solving:\*\*这里使用的是DEQ引入了 Broyden solver 解固定点 P ∗ P^\* P∗。 这里将函数 Q θ Q\_\\theta Qθ定义为：  
 Q θ = G θ ( P + B ) − P Q\_\\theta=G\_\\theta(P+B)-P Qθ=Gθ(P\+B)−P , (9)

所以求解固定点等价于求 Q θ = 0 Q\_\\theta=0 Qθ=0，骨干网特征给定时，可以通过下式求解：

![在这里插入图片描述][20210226164856768.png_pic_center]

其中 J Q θ − 1 J\_\{Q\_\\theta\}^\{-1\} JQθ−1是 Jacobian inverse（逆雅可比矩阵（行列式的逆）），α是步长。但是由于输入是高维度的，雅可比矩阵极大且难以计算，所以应用 Broyden方法：

![在这里插入图片描述][20210226164904208.png_pic_center]

其中， M i M^i Mi是一个逆雅可比矩阵的低阶近似， Broyden方法的详细信息间DEQ和MDEQ论文。

**Backward Propagation:** 不同于卷积神经网络中的反向传播使用链式法则，基于深度平衡模型，作者提出使用如下方法更新参数：

![在这里插入图片描述][20210226164911771.png_pic_center]

其中，L LL表示总损失函数，其计算如下：

![在这里插入图片描述][20210226164918412.png_pic_center]

# 4. Experiments #

FPN的比较：

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lhbmdoYW8yMDE2MDcwMzAxMDE_size_16_color_FFFFFF_t_70_pic_center 3]

主要结果：

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lhbmdoYW8yMDE2MDcwMzAxMDE_size_16_color_FFFFFF_t_70_pic_center 4]

# 5. Limitation and Future Work #

虽然可以有效提高目标检测模型的性能，但其仍具有以下不足：展开求解法将引入大量参数和占据大量内存；对于Broyden求解法，使用十五个Broyden迭代后得到平衡特征金字塔。因此，尽管其占用单个模块内存，花费的时间也是显式金字塔的六倍。所以之后期待寻找一种更优的求解器。

# 参考 #

1.  Wang T, Zhang X, Sun J. Implicit Feature Pyramid Network for Object Detection\[J\]. arXiv preprint arXiv:2012.13563, 2020.
2.  [（四十三）论文阅读 | 目标检测之i-FPN][_ _i-FPN]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lhbmdoYW8yMDE2MDcwMzAxMDE_size_16_color_FFFFFF_t_70_pic_center]: /images/20221024/b901f8c8699e4c5ead70c9c7364fbf05.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lhbmdoYW8yMDE2MDcwMzAxMDE_size_16_color_FFFFFF_t_70_pic_center 1]: /images/20221024/1ab42bea76f94c76ba4f38816b88aadf.png
[20210226164823921.png_pic_center]: /images/20221024/5cfb5721eb4341d198ace534787a2fe7.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lhbmdoYW8yMDE2MDcwMzAxMDE_size_16_color_FFFFFF_t_70_pic_center 2]: /images/20221024/0314d13913a543f6a055a7301c298eb3.png
[20210226164842969.png_pic_center]: /images/20221024/819b6d012ee34317a2e6f75969619a60.png
[20210226164856768.png_pic_center]: /images/20221024/5df6b8951c5a4b438bab1c4e4e81207f.png
[20210226164904208.png_pic_center]: /images/20221024/67cc7634f3da4ff39f2c092bae13f119.png
[20210226164911771.png_pic_center]: /images/20221024/7ed77df2085c4361ac51e2aa834c1936.png
[20210226164918412.png_pic_center]: /images/20221024/1e28c6ee039142de844c06f5e770a8ce.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lhbmdoYW8yMDE2MDcwMzAxMDE_size_16_color_FFFFFF_t_70_pic_center 3]: /images/20221024/41977b0701b547f18349740177b1f6a0.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lhbmdoYW8yMDE2MDcwMzAxMDE_size_16_color_FFFFFF_t_70_pic_center 4]: /images/20221024/c1321d2f10334927adbf7162affc47c8.png
[_ _i-FPN]: https://blog.csdn.net/Skies_/article/details/112061336?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522161432475816780271577746%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fblog.%2522%257D&request_id=161432475816780271577746&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~blog~first_rank_v1~rank_blog_v1-1-112061336.pc_v1_rank_blog_v1&utm_term=i-FPN