原標題：最全技術剖析 百度視覺團隊“大戰(zhàn)”O(jiān)pen Images V4目標檢測數(shù)

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(guī)模目標檢測競賽Google AI Open Images-Object Detection Track中再獲佳績，從全球450多支參賽隊伍中脫穎而出，獲得世界第一，并受邀在世界頂級視覺學術會議ECCV2018上進行分享。

百度視覺團隊可謂是國際賽事上的“常勝軍”。2018年，百度視覺團隊先后獲得了人臉WilderFace權威數(shù)據(jù)集世界第一、OCR ICDAR權威數(shù)據(jù)集世界第一、視頻理解權威競賽ActivityNet兩項世界第一、圖像識別權威競賽WebVision世界第一。如今再次獲獎，又一次展示了百度視覺團隊國際領先的平臺和技術優(yōu)勢。

Google AI Open Images-Object Detection Track是大規(guī)模目標檢測任務的權威挑戰(zhàn)賽事，由Google AI Research舉辦，賽事遵循 PASCAL VOC、ImageNet和COCO等賽事傳統(tǒng)，但數(shù)據(jù)規(guī)模遠大于這些賽事。

在9月8日召開的世界頂級視覺學術會議ECCV2018上，百度視覺團隊應邀分享了技術細節(jié)，從比賽挑戰(zhàn)和解決方案等不同方面做出深度剖析，與全球計算機視覺研究者進一步交流。

Open Images V4數(shù)據(jù)集

據(jù)介紹，大賽采用Google今年5月份發(fā)布的Open Images V4數(shù)據(jù)集作為訓練數(shù)據(jù)集，包含超過170萬的圖片數(shù)據(jù)，500個類別以及超過1200萬物體框，數(shù)據(jù)沒有完全精細標注，屬于弱監(jiān)督任務，框選類別數(shù)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(tǒng)一對所有類別做處理，因此更具挑戰(zhàn)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(shù)據(jù)對比情況。

Open Image V4 與 MSCOCO及ImageNet 檢測數(shù)據(jù)對比情況

與傳統(tǒng)的檢測數(shù)據(jù)集合相比，該賽事除了數(shù)據(jù)規(guī)模大、更真實之外，還存在一系列的挑戰(zhàn)。具體來說，主要集中在以下三個方面：

·數(shù)據(jù)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(shù)據(jù)分布嚴重不均衡。

類別框數(shù)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(qū)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(shù)據(jù)中遇到更大的挑戰(zhàn)。

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(wǎng)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版本是百度視覺團隊研發(fā)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(xiàn)了大幅度的提升。

整體方案框架流程圖

·骨架網(wǎng)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。百度也嘗試了其他骨架網(wǎng)絡（dpn98,Inception-v4,Se-ResNext101）,并把不同骨架網(wǎng)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，百度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(diào)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的效果，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，百度視覺團隊采用了不同的骨架網(wǎng)絡進行訓練，而在Faster R-CNN框架下只使用了ResNet101這種骨架網(wǎng)絡進行訓練。在訓練過程中，百度視覺團隊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(tài)采樣

Google Open Images V4 數(shù)據(jù)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(tài)采樣，如果樣本數(shù)量多則減少采樣概率，而樣本數(shù)量少則增加采樣概率。據(jù)介紹，百度視覺團隊分別進行全集數(shù)據(jù)訓練、固定框選子集訓練、動態(tài)采樣模型訓練三種策略進行。

·全集數(shù)據(jù)訓練：按照主辦方提供數(shù)據(jù)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(tài)采樣模型訓練：對每個GPU、每個Epoch采用線上動態(tài)采樣，每次采集的數(shù)據(jù)都不同，輪數(shù)達到一定數(shù)目后，整個全集的數(shù)據(jù)都能參與整體訓練。最后mAp達到0.56。

動態(tài)采樣策略

FPN

基于訓練數(shù)據(jù)集的分析，百度視覺團隊發(fā)現(xiàn)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(wǎng)絡。在實驗中，百度視覺團隊以ResNet101作為骨干網(wǎng)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，F(xiàn)PN應該嵌入到RPN網(wǎng)絡中，以生成不同的尺度特征并整合為RPN網(wǎng)絡的輸入。最終，引入FPN后的mAP可達到0.528。

Deformable Convolution Networks

百度視覺團隊采用可變形卷積神經(jīng)網(wǎng)絡增強了CNNs的建模能力?？勺冃尉矸e網(wǎng)絡的思想是在不需要額外監(jiān)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(wǎng)絡應用于以ResNet101作為骨架網(wǎng)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?？勺冃尉矸e網(wǎng)絡的mAP性能為0.552。

Cascade R-CNN

比賽中，百度視覺團隊使用級聯(lián)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(wǎng)絡(FPN)和3個尺度anchors的RPN網(wǎng)絡。此外，他們還訓練了一個針對全類模型中表現(xiàn)最差的150類的小類模型，并對這150類的模型分別進行評估。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，百度視覺團隊使用了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，百度視覺團隊在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(shù)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，除此之外百度采用不同模型的分數(shù)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(yè)界，大規(guī)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(chǎn)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。百度視覺團隊從2013年起開始構建超大規(guī)模的圖像分類系統(tǒng)，其中大部分訓練數(shù)據(jù)均通過互聯(lián)網(wǎng)搜索引擎獲取，目前已構建起包含10萬類Tag（標簽）、近億圖片的訓練系統(tǒng)。相關技術研發(fā)成果已成功應用于百度拍照搜索、Feed流、智能相冊、百度AR等多項核心產(chǎn)品中，并通過智能云開放廣泛應用于零售、視頻媒體、金融、醫(yī)療、交通運輸和營銷等眾多領域。

視覺是百度大腦的核心能力之一。百度視覺團隊在計算機視覺領域曾首創(chuàng)了Pyramidbox、Ubiquitous Reweighting Network、Action Proposal Network、StNet和 Attention Clusters等算法，在識別人、識別物、捕捉關系三個技術領域均具備了業(yè)界最領先的技術積累。此外，百度還自主研發(fā)了兩款智能視覺AI硬件底層模組，包括紅外3D結構光模組BoteyeR及視覺智能AI相機模組Xeye，集成了包括人臉識別、物體識別、手勢識別等在內(nèi)的百度視覺技術，可用于新零售、安防、智能家居等場景。

百度視覺團隊的技術不僅用于內(nèi)部產(chǎn)品，也通過百度AI開放平臺持續(xù)對外輸出，目前已對外開放了包括人臉識別、文字識別（OCR）、圖像審核、圖像識別、圖像搜索等在內(nèi)的5大類別58項基礎能力，為開發(fā)者和合作伙伴提供全棧式計算機視覺能力，讓他們將領先的AI能力轉換成讓復雜的世界更簡單的神奇力量，進而推動全行業(yè)、全社會的智能化變革。

生成海報

免責聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權或存在不實內(nèi)容時，應及時向本網(wǎng)站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關文章源頭核實，溝通刪除相關內(nèi)容或斷開相關鏈接。