提高训练效率的实时目标检测（附源码）

作者：edison_g

简介

当前的目标检测器很少能在训练时间短、推理速度快和精度高之间取得平衡。为了解决这一问题，作者提出了Train-Friendly Network(TTFNet)。作者从light-head, single-stage, 和anchor-free设计入手，使得推理速度更快。接着，作者重点缩短了训练时间。

我们观察到，从注释框中编码更多的训练样本与增加批处理大小具有相似的效果，这有助于提高学习速率并加速训练过程。为此，作者介绍了一种利用高斯核对训练样本进行编码的新方法。此外，为了更好地利用信息，还设计了主动样本权重。在MSCOCO上的实验表明，TTFNet在平衡训练时间、推理速度和精度方面具有显著优势。它比之前的实时检测器减少了7倍以上的训练时间，同时保持了最先进的性能。此外，super-fast版本的TTFNet-18和TTFNet-53的训练时间分别是SSD300和YOLOv3的不到十分之一。

历史回顾与背景

目标检测器的精度、推理速度和训练时间等方面都得到了广泛关注和不断提高。然而，很少有工作能在这些方面取得良好的平衡。直观上，推理速度快的检测器应该有较短的训练时间。然而，事实上，大多数实时检测器比非实时检测器需要更长的训练时间。高精度检测器大致可以分为两种类型——它们的推理速度慢，且需要大量的训练时间。

第一类网络（Huang, L.; Yang, Y.; Deng, Y.; and Yu, Y. 2015. Densebox: Unifying landmark localization with end to end object detection.）通常依赖于heavy检测头或复杂的后处理。虽然这些设计有助于提高精度和快速收敛，但它们显著降低了推理速度。因此，这种类型的网络通常不适合实时应用。

为了加快推理速度，研究人员努力简化检测头和后处理，同时保持准确性(Zoph, B., and Le, Q. V. 2017. Neural architecture search with reinforcement learning.)。在最近的一项名为CenterNet的研究中，推理时间进一步缩短，几乎与主干网络消耗的时间相同。然而，所有这些网络不可避免地需要很长的训练时间。这是因为这些网络由于简化而难以训练，使得它们在很大程度上依赖于数据增强和较长的训练时间。例如，CenterNet需要在公共数据集MSCOCO上进行140个epochs的训练。相比之下，第一类网络通常只需要12个epochs。

动机

根据Linear Scaling Rule，可以通过增大batchsize来提高learning rate。然而，仔细分析SGD的公式，我们也可以通过增加高质量的正样本个数来达到同样的效果。也就是说，不仅可以增大n，也可以增大m。

回顾随机梯度下降(SGD)的公式，权重更新表达式可以描述为：

对于目标检测，图像x可以包含多个注释框，这些框将被编码到训练样本s∈Sx中。Mx=|Sx|表示图像x中所有框产生的样本数，因此上式可以表述为：

为了简化，假设mx对于小批量B中的每个图像x是相同的。关注个体训练样本s，上式可以改写为：

线性缩放规则是在经验中发现的，如果批处理大小乘以k，则学习速率应该乘以k，除非网络正在迅速变化，或者采用非常大的mini-batch批处理。也就是说，用小的mini-batch Bj和学习速率η执行k迭代基本上相当于用大的mini-batch ∪j∈[0，k)Bj和学习速率kη执行1迭代，只有当我们可以假设：

这个条件通常在大规模的真实世界数据下是满足的。

较大的学习速率不能帮助CenterNet更快地收敛，并且删除数据增强会导致性能变差。根据上面的结论，我认为这是因为CenterNet在训练过程中只在目标中心编码一个单一的回归样本。这种设计使得CenterNet在很大程度上依赖于数据增强和较长的训练时间，导致不友好的训练时间。

为了减少网络对数据增强的依赖，同时减少训练时间，我认为需要更好的编码回归样本的策略。在这一动机的指导下，作者提出新的方法，在ablation研究中进行更全面的实验可以进一步验证新方法的优越性。

新方法

TTFNet的体系结构如上图所示。在实验中使用ResNet和DarkNet作为主干网络。主干网络提取的特征被采样到原始图像的1/4分辨率，这是通过Modulated Deformable Convolution(MDCN)和上采样层实现的。在MDCN层之后是批归一化(BN)和ReLU。上采样的特征然后分别通过两个头部为不同的目标。

检测头在物体中心附近的位置产生高激活，而回归头直接预测从这些位置到box四面的距离。由于目标中心对应于特征映射处的局部最大值，因此可以在2D最大池的帮助下安全地抑制非最大值。然后利用局部最大值的位置来收集回归结果。

最后，可以得到检测结果。新提出的方法有效地使用了大中型目标中包含的注释信息，但对于包含很少信息的小目标，推广是有限的。为了在较短的训练计划中提高小目标的检测性能，添加了shortcut connections来引入高分辨率但低级别的特征。shortcut connections从主干的2级，3级和4级引入特征，每个连接由3×3卷积层实现。第二、第三和第四阶段的层数设置为3、2和1，除了shortcut connections中的最后一层外，ReLU遵循在每个层。

与CenterNet相比，主要在以下两方面进行了改进：

center localization

对于Center点的位置回归，两个方法都用到了高斯核来增加正样本的数量，也都用到了Focal Loss。但是CenterNet和CornerNet一样，高斯核里的参数sigema只和bbox的面积有关，没有充分考虑bbox的纵横比，而TFFNet为长和宽分别设置了sigema，从而更加合适。

size regression

这部分才是本次作者提出的重点，也是增加高质量样本的实际做法。CenterNet只把heatmap上Object的Center点以及相邻的4个点作为正样本进行物体的大小回归监督，并且只回归bbox的w和h。

而TFFNet继续采取高斯核的方式增加正样本的个数，同时每个正样本回归对应点到bbox四个边的距离。

实验

不同核结果

在shortcut connections中使用不同设置时，速度-准确性权衡如下

与其他性能比较

TTFNet vs. CenterNet

可视化