对抗网络之目标检测应用：A-Fast-RCNN

对抗网络之目标检测应用：A-Fast-RCNN

       论文：A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection 【点击下载】

       Caffe代码：【Github】

一. 深度学习正确的打开方式

       深度学习的根基在于样本，大量的样本决定了深度网络的精确度和收敛性，针对样本的挖掘是深度学习的一个重要研究方向，这里我们先回顾两个概念 Easy Example 和 Hard Example ：

Easy Example：
       直观上来讲，太易于识别的样本对于训练来讲意义并不太大，有一部分就够了，因为太明显了嘛，傻子都认识；
Hard Example：
       比较难以区别的样本，比如目标在 变形、遮挡、逆光 等情况下的 Performance，别人不说你都不认识那种。

       样本挖掘 通常是找出样本中的 Hard Examples，用来提高网络对于目标的判别能力，讲到这里，可能大多数人都会 Refer 到经典的 OHEM －online hard example mining 。

       论文：Training Region-based Object Detectors with Online Hard Example Mining【点击下载】

       Caffe代码：【Github】

二. OHEM

       传统机器学习中训练 SVM 的时候，通过初始的分类器进行分类（检测）测试，得到的误报即称为 Hard Example，将其加入到训练样本中，重新训练分类器，这种方法称为 Bootstrap（自举）。

       OHEM 就是 BootStrap 方法在深度卷积网络中的应用。

       先来看网络架构图：

        


       这是基于 Fast RCNN 的结构进行改造的，卷积网络的上半部分是 Fast RCNN 的网络。修改加工的地方在于：

1）添加了一个 Hard ROI Sampler，用于挖掘 Loss 比较大的 Proposal；
2）为了加快速度，复制了一个 ROINet，两个子网络－图中 （a）和（b）共享参数；
      (a) 只做正向传播 forward，标注为 Read-only；
      (b) 根据 Sampler 传回的结果（hard examples），同时进行正反向传播 - 红色部分。

       与原网络的差异在于 通过 Sampler 对 Loss 结果进行排序，将Loss最大的 k个作为 Hard Examples，进行误差回传，这样做的意义在于充分利用了 Hard Examples，增加了网络的辨识度。

三. 对抗网络引入

       当下生成式对抗网络（GAN）大热，而 GAN 的最核心的作用就是造假，造的假的越来越接近真的，逼迫 “Detector” 不断突破自我来进行判别。

       GAN在最后生成的这些 Example 就可以称为 Hard Example。

       将对抗学习和Fast R-CNN结合，来增加遮挡和姿态变化的物体的数量，这种做法可行性在于：

1）实际样本中可能这种情况比较少；
2）现实搜集的样本仅包含部分场景，很难 cover 多数的遮挡和变形情况；
      作者提到一个长尾效应，20%的场景在80%的情况下不会出现，来看下图：
        


       因此，通过自动生成的方式来获得这些样本将变得很有意义，可以通过这些样本来 Teach 网络什么是“遮挡”和“变形”，区别于传统的直接生成样本图片的方法，作者采用的是在特征图上进行“某些”变换：

a）通过添加 Mask来实现实现特征的部分遮挡；
b）通过操纵特征响应来实现特征的部分变形；

 > Adversarial Spatial Dropout Network

       处理遮挡的对抗网络，通过 Mask（Dropout）来实现，网络结构：

        


       网络结构基础是 Fast RCNN 网络，在阴影部分做了一些处理：

1）添加了一个 Mask层，作为遮挡掩码，并通过前面两个FC层来生成 Mask，共同构成对抗网络部分；
2）根据 Loss 选择 Mask；

       Occlusion Mask 是二值掩码（值为0或1），大小与传入的 Feature 一致，假设ASDN的输入特征图是d×d×c（AlexNet中，d=6，c=256），对应 Mask 尺寸也是 d×d。对应像素 Mij 值为1时，drop 所有特征通道对应的特征。

训练过程：

1）模型预训练：首先屏蔽掉 ASDN 部分，单独训练 Fast RCNN 网络 10k 次；
2）ASDN 网络初始化：
      通过 d/3×d/3 的滑动窗口（原特征图的1/9）进行遮挡测试，每个特征图会得到10种不同的遮挡情况（包括完全不遮挡，如下图），生成的新特征图通过 Fast RCNN 判别，选择损失值最高的那个为最优（因为它最能骗过分类器）。
      将选择的 Grid 最优的样本和对应 Mask组成训练样本｛(X1,M1), (X2,M2), ……,(Xn, Mn)｝，Loss 函数描述为：
      


      其中 Aij 表示对应特征图 Xp 在 i,j 位置对应的输出。
      ASDN 单独训练 10k 次。
3）阈值采样
      通过上面的训练过程，我们得到一个连续的热度图（不再是二维掩码），或者叫灰度图，作者选择其中影响最大的1/3来生成mask（不是固定阈值），这里采用了一个 Trcik，先选择最大的 1/2  ，再从里面选取 2/3 set to 0，这个不重要。
4）联合训练
      将 Fast RCNN 与 ASDN 进行联合训练（joint training）。

      受强化学习的启发，只采用 hard examples mask 来训练 ASDN。

   


 > Adversarial Spatial Transformer Network

       处理形变的对抗网络，通过在特征图上产生形变，让检测器难以判别。
   STN回顾：

       包含三个部分：定位网络（localisation network）、网格生成器（grid generator）和采样器（sampler）。

       定位网络 估计形变参数（如旋转、平移距离和缩放因子），网格生成器 和 采样器 会用到这些参数来产生形变后的特征图。

       STN 的贡献在于生成的网络是可微的，这样定位网络的参数可以通过分类目标的残差回传得到，具体内容参考论文：Spatial Transformer Networks 。

   Aversarial STN：

       这里只关注旋转特征，其中定位网络由3个全连接层构成，前两层是由fc6和fc7初始化得到。

       与 ASDN 类似，ASTN 和 Fast R-CNN 也需要联合训练，如果ASTN的变换让检测器将前景误判为背景，那么这种空间变换就是最优的。与 ASDN 不同的是，由于 ASTN 是可微的，我们可以直接通过分类误差反向传播，fine-tune 定位网络的参数。

   执行细节：

       首先旋转角度不能太大（太大了肯定识别不出，没什么意义），文中把旋转角度限制在（-10,10），同时，按照特征图维度将Channels 划分为 4个 parts（对应4种不同的旋转方向），这样可以增加旋转操作的复杂性，避免 Trivial 变形。

   对抗网络融合：

       ASDN 和 ASTN 提供了两种不同的变化，通过将这两种变形相结合（ASDN 输出作为 ASTN 的输入），检测器可以训练的更加鲁棒。



 > 实验结果

       在 VOC2017 上的测试结果（可以对比一下单独的 ASDN 和 ASTN 的网络，以及两者都采用的 mAP）：
        


       作者分别进行了 遮挡 和 变形方法的对比：

1）Table2 是针对 4种丢弃策略进行对比，得到最好的效果是 ASDN联合训练 的结果；
2）ASTN 和 随机抖动（random jittering）做了对比，发现使用AlexNet，mAP分别是58.1%h和57.3%，使用VGG16，mAP分别是69.9%和68.6%，ASTN 的表现都比比随机抖动效果好。

       作者对不同类别进行了分析：

        


       可以看到，有一些种类的 AP 是下降的，有好也有坏，但功大于过。好的原因在于测试样本中可能出现了比较多的遮挡和形变情况；降低的原因在于对于正常目标的特征抽象能力下降。

        定性分析：某些遮挡样本 可能会导致错分的情况（这是一把双刃剑啊），也就是说，过尤不及，当你想对目标特征的兼容性太强的时候，走向了另一个极端。

        


       另外，作者给出了在 VOC2012 和 MS COCO 下的测试结果，都较原来有显著提高。

与 OHEM 对比：

       本方法和 OHEM（Online Hard Example Mining）有些类似，都属于对 Hard Example 的挖掘，区别在于本方法是创建并不存在的Hard Positive 样本，而 OHEM 则是挖掘利用现有的 所有 Hard 样本，现实意义更高。

       测试结果：在VOC 2007数据集上，本文方法略好（71.4% vs. 69.9%），而在VOC 2012数据集上，OHEM更好（69.0% vs. 69.8%）。作者又做了实验，VOC 2012数据集下，our approach+OHEM（71.7%），two OHEM（71.2），two our approach（70.2%），发现两个 OHEM 和 两个 our models 效果都不如混合效果好，说明这两种方法可以有效互补。

Conclusion：

       将对抗网络引入目标检测，确实开了先河，估计以后还会有人在此基础上进一步改进。

       从改善效果上来讲，并不比 OHEM 有多好的效果，也许是仿造的数据和真实性还存在差距，也许是真实世界的长尾并没有太多的影响，anyway，也许像大家说的一样，“学术意义大于工程意义”，就看接下来的童鞋如何 Follow 和改进了。