Cascade R-CNN: High Quality Object Detection and Instance Segmentation（CVPR 2018）

论文链接：论文链接
代码链接：代码链接Caffe 代码链接Detectron

Abstract

• IoU常用的阈值 0.5 会导致检测噪声（低质量检测），但检测性能经常会因IoU阈值较大而降低——这被称作高质量检测悖论
• 导致上述悖论的原因有两个：
  • 大的IoU阈值将会导致正样本的减少
  • 推理时 检测器 和 检测假设 之间的质量不匹配（dismatch问题）
• cascade rcnn有多个stage，每一个stage的输出作为下一个stage的输入；这种重采样逐渐提高了假设质量，保证了所有检测器的正训练集大小相等，并最大限度地减少了过拟合
• cascade rcnn用于目标检测以及实例分割，并且适用于通用或特定（例如x光）任务

1. Introduction

目标检测中的问题

• 目标检测有两个任务：
  • 识别问题：区分前景和背景，并且给它们分配正确的类别标签
  • 定位问题：给对象分配正确的bb
• 这两个问题不能准确地解决，原因是有许多与gt框相近的false positive样本
• 正样本和负样本的定义一般用IoU，一般这个值 $u=0.5$， 而许多false positive经常满足这个值（$IoU\ge 0.5$）

原因剖析

• 作者把检测假设的质量 定义为 推理阶段的proposal与gt的IoU（例如Input IoU是rpn网络的proposal和gt的IoU，Output IoU是经过regressor回归后的bb与gt的IoU），把检测器的质量 定义为 用于训练它的IoU阈值u
• 下面这个图分别在IoU阈值为 $u=0.5,0.6,0.7$ 的条件下进行训练，得到在推理时不同IoU条件下回归器、分类器和检测器的性能。可以看出，阈值决定了分类器最具鉴别力的分类边界；
• 上述观察表明，高质量的检测需要检测器的质量与检测假设的质量密切匹配

解决方案

• 提出了cascade rcnn，是一个基于R-CNN的 multi-stage 检测器
• 将一个stage的输出作为另一个stage的输入进行训练，这利用了bb regressor的输出IoU几乎总是优于其输入IoU的观察结果（上面那个图的(a)）

2. Related Work

3. High Quality Object Detection

• 这一节讨论高质量目标检测的挑战
  

3.1 Object Detection

3.1.1 Bounding Box Regression

• 边界框$\mathbf{b}=(b_x,b_y,b_w,b_h)$包含图像块$\mathbf{x}$的四个坐标，而bb regression是使用一个regressor $f(\mathbf{x},\mathbf{b})$将一个候选的bb $\mathbf{b}$ 回归到一个目标bb $\mathbf{g}$ ，这个过程可以使用下面这个loss 来进行训练：
  $${\mathcal{R}}_{loc}[f]=\sum _i{L}_{loc}(f({\mathbf{x}}_i,{\mathbf{b}}_i),{\mathbf{g}}_i)$$
  其中，
  L l o c ( a , b ) = ∑ i ∈ { x , y , w , h } s m o o t h L 1 ( a i − b i ) L_{loc}(\boldsymbol a,\boldsymbol b)=\sum_{i\in\{x,y,w,h\}}smooth_{L_1}(a_i-b_i) Lloc​(a,b)=i∈{x,y,w,h}∑​smoothL1​​(ai​−bi​)
  其中，
  $$smoot{h}_{L_1}(x)=\{\begin{array}{rlr}& 0.5x^2,& |x|<1\\ & |x|-0.5,& otherwise\end{array}$$
  为了尺度和位置不变性，$smoot{h}_{L_1}$作用在距离向量$\Delta =({\delta }_x,{\delta }_y,{\delta }_w,{\delta }_h)$上
  $${\delta }_x=(g_x-b_x)/b_w,{\delta }_y=(g_y-b_y)/b_h,{\delta }_w=log(g_w/b_w),{\delta }_h=log(g_h/b_h)$$
• 由于边界框回归通常对 $\mathbf{b}$ 进行较小的调整，因此$\Delta$各个$\delta$的数值可能非常小。这通常使回归损失比分类损失小得多。为了提高多任务学习的有效性，$\Delta$通过其均值和方差进行归一化，例如${\delta }_x$ 被替换为
  $${\delta }_x^{\prime }=\frac{{\delta }_x-{\mu }_x}{{\sigma }_x}$$

3.1.2 Classification

• 当bb和gt的IoU大于某个阈值u的时候，认为该bb含有object，并将对应gt的标签分配给该bb
• 在进行inference时，rpn网络产生的大部分proposal质量都比较低，检测器需要对低质量的proposal有更强的辨别力

3.2 Challenge to High Quality Detection

• 高质量检测的难点有如下几个：
  • 评估指标历来更加强调低质量检测机制，也就是u=0.5的检测器
  • 检测假设和检测器的质量必须匹配

4. Cascade R-CNN

4.1 Architecture

• 如下图，这里作者简单采用了(a)图中的RPN进行proposal
  

4.2 Cascade Bounding Box Regression

• training阶段很容易产生高质量正样本（只需要在gt旁边进行取样即可），问题是如何在inference阶段产生高质量的proposal，这个问题可以用cascade bb regression来解决
• 如下图所示，每个u对应的检测器不可能在所有的Input IoU上有好的效果，但是从图中看出每一个u对应的检测器的输出IoU都可以提高一点点（在灰色线上面），因此考虑把多个不同的检测器进行级联，这样每一个stage的IoU都会逐渐变高
  
• 从下图可以看到，级联检测器回归的bb越来越接近于gt（${\delta }_x,{\delta }_y,{\delta }_w,{\delta }_h$分布接近（0,0））
  

4.3 Cascade Detection

• 级联检测的损失函数：在每个stage t，分类器$h_t$和回归器$f_t$根据IoU阈值$u^t$进行优化，$u^t>u^{t-1}$，loss为
  $$L({\mathbf{x}}^t,g)=L_{cls}(h_t({\mathbf{x}}^t),y^t)+\lambda [y^t\ge 1]L_{loc}(f_t({\mathbf{x}}^t,{\mathbf{b}}^t),\mathbf{g})$$
  其中${\mathbf{b}}^t=f_{t-1}({\mathbf{x}}^{t-1},{\mathbf{b}}^{t-1})$, $\mathbf{g}$是${\mathbf{x}}^t$对应的gt框，$y^t$是${\mathbf{x}}^t$在$u^t$下的标签
• 这种级联学习法对检测器训练由3个重要影响：
  • 大IoU导致过拟合现象的概率减小了，因为在每一个stage正样本变得更多了
  • 更深stage的检测器对于更高的IoU阈值来说更佳
  • 随着IoU阈值的增加，一些异常值被去除，因此bb regression的学习效果在后期增加
• 总之，这样使得 检测假设和检测器质量同时增加，解决了 “高质量检测悖论”

4.4 Differences from Previous Works

• Cascade R-CNN和iterative bounding box regression 和 integral loss有相似的地方，但也有不同的地方

Iterative Bounding Box Regression

• 这个方法说一次的bb regression不够，它在inference时用多个相同的regressor来进行多次回归，但是在训练的时候和使用u=0.5的普通的two-stage检测器没有区别
• 这个方法的两个问题：
  • 如图 2 所示，在 u = 0.5 时训练的回归器 f 对于更高 IoU 的假设是次优的。它实际上会降低大于 0.85 的 IoU 的边界框精度
  • 如图5所示，边界框的分布在每次迭代后都会发生显着变化，虽然回归量对于初始分布是最优的，但在此之后可能会非常不理想

Integral Loss

• Integral Loss的公式如下：
  $$L_{cls}(h(\mathbf{x}),y)=\sum _{u\in U}(h_u(\mathbf{x}),y_u)$$
  这个公式可以根据选择的IoU来选择最合适的loss

5. Instance Segmentation

6. Experiments

7. Conclusion