如何显著提升小目标检测精度？深度解读Stitcher：简洁实用、高效涨点

2020 年 5 月 7 日 极市平台

加入极市专业CV交流群，与 10000+来自港科大、北大、清华、中科院、CMU、腾讯、百度等名校名企视觉开发者互动交流！

同时提供每月大咖直播分享、真实项目需求对接、干货资讯汇总，行业技术交流。关注 极市平台 公众号，回复 加群，立刻申请入群~

来源：本文授权转自知乎作者康康，https://www.zhihu.com/question/390191723/answer/1185984775。未经作者许可，不得二次转载。

很荣幸也很尴尬地做了一个和YOLO v4 中的Mosaic技巧部分撞车的工作，吓得我赶紧把我们的工作放出来。

Stitcher: Feedback-driven Data Provider for Object Detection

论文： https://arxiv.org/abs/2004.12432

在这个问题下面和大家分享一下我们的工作，正好解释一下我们和YOLO v4 - Mosaic的区别与联系，以及这种类似的做法为什么能涨点，以及其他可以挖掘的点。

Motivation

去年打COCO比赛的时候，我负责研究detection的training方式，当时尝试了Multi-scale training的各种settings、SNIP[1]/SNIPER[2]、CSN[3]等。发现Multi-scale training对模型训练是真的很有帮助，即使在接近50 AP的高baseline上还有不俗的提升。然而，普通的Multi-scale training太低效了，而SNIPER是真的复杂，需要处理好label assignments, valid range tuning, positive/negative chip selection，费了我们很大的力气才把它从MXNet源码迁移到我们自己的框架上。这样的心态和需求，迫使我们去研究一种更简洁实用的multi-scale training 方法。

不管是普通训练还是Multi-scale training，我们发现在COCO上训练出来的模型，小物体的AP永远是比中物体和大物体低很多。

比如，在最常用的baseline: Faster R-CNN + ResNet 50-FPN (1x) 的结果(AP: 36.7 %, AP small: 21.1 %, AP mid: 39.9 %, AP large : 48.1 %)中，AP small 比 AP large 低了两倍还多。

接下来，我们就开始研究，小物体到底出了什么问题，以及怎样解决这样的问题。

首先，我们统计了小物体在数据集中的分布，发现训练集中小物体的数量并不少。

如下表所示，在所有boxes中，有41.4 %是小物体，是这三类物体之中最多的；

但小物体的分布却非常不均匀，只有52.3%的图片中包含了小物体，而中物体和大物体分布都相对均匀。换句话说，小物体数量很多、但分布非常不均匀，有接近50%的图片中都没有小物体。

接下来，我们又统计了一下，在训练过程中小物体的loss分布。能直接反应模型学习情况的是loss，进一步发现，还是在这个Baseline: Faster R-CNN + ResNet 50-FPN (1x)的训练过程中，有超过50% iterations中，小物体所产生的loss都非常低（不到总loss的0.1）。这说明在模型训练过程中，小物体提供给网络的监督是不足的。

通过上述分析，我们的猜疑链形成： 数据集中小物体分布不均匀 --> 训练中小物体学习不充分（Loss不足） --> 训练完的模型小物体精度差 。而接下来就是按照这个逻辑逐步设计解决方法。

Method

在已经有了前面multi-scale training和SNIPER的实验结果后，我们想到可以把图像缩小，并拼接在一起（逆SNIPER而行，SNIPER是裁剪，Stitcher是拼接）。如下图所示，我们把batch内每4张图都缩小到同样大小，之后拼成一张与正常普通同样大小的图作为训练。通过这样的方式，把大物体和中物体缩小成中物体和小物体，来均衡不同Scale物体在训练过程中的分布。

（这里与YOLOv4-Mosaic类似，但不同的是我们没想到拼接的时候可以调整4张图为不同大小。）

接下来就是紧张刺激的实验环节，完全采用这种拼接图进行训练，在上文36.7% 的baseline上得到了32.1%的惊人结果。然而，就算在32.1% 的 AP 中（AP small: 21.9, AP mid: 36.4, AP large: 36.8）的AP small仍然比36.7% 的baseline中的AP small要高，这让我们看到了希望。这说明，拼接图是有用的，只是我们没用好，所以影响了最终效果。

前面对训练过程中loss的分析，给我们提供了一个自然而然的思路，就是直接用loss 作为反馈信号，来指导拼接图的使用。我们采用了一种“缺啥补啥”的简单思路：如果上一个iteration中，小物体产生的loss不足（比例小于一个阈值），则下一个iteration就用拼接图；否则就用正常图片训练。这个思路将32.1%的结果一下子增长到了38.6%，且统计loss比例几乎不需要额外的计算量。

Experimental Results

（1）我们在Faster R-CNN、RetinaNet的1x / 2x上都进行了实验，有2个点左右的AP提升，且涨点主要来自于AP small。这符合我们最初的Motivation和方法设计。

（2）此外，我们还在更大的backbone / 更高的baseline (ResNext + Deformable) 、其他数据集 (PASCAL VOC)、Instance Segmentation (Mask R-CNN) 等settings上都做了实验验证，都有不同程度的效果提升。

Further Analysis

除了常规实验以外，还有一些其他的效果分析可供讨论。

1. 只能4张（平方数）拼接吗？

答案是否定的。

不管是我上文介绍的拼接方式还是YOLO v4，都是在Spatial维度 (h,w)上进行拼接的。

如下图(c)中所示，本文还提供了一种在batch维度n上拼接的等价的实现方式，也能达到一样的效果。

这样的做法可以带来如下好处：

(1) 拼接图像的数目不再需要因为spatial的限制局限于平方数，可以自由选择2、3、4、5、6等张数图像进行拼接。

(2) 对于那些读写内存有限制的训练设备平台，提供了一定的自由度。

2. 过拟合问题（更长训练时间的增益）

在后续实验中，我们还发现Stitcher可以起到防止过拟合的作用。在不用SyncBN之类的骚操作的情况下，把一个最普通的Faster R-CNN + FPN模型直接训练时间较长（6x）是会有严重的过拟合的（36.7-->35.6），但Stitcher却没有这个问题。因为在Stitcher训练过程中，拼接图像的挑选组合是随机的，拼接图像的多样性防止了过拟合的发生。

3. 计算量代价

（1）对于Inference阶段，Stitcher 没有做任何修改，不需要调multi-scale testing之类的操作。所以，如果使用者只关心Inference time 的话，Stitcher带来的涨点可以说是完全免费的。

（2）对于Training阶段，Stitcher 额外引入的操作包括：image stitching 和 loss ratio calculation这两步。经实测，后者可以忽略不计，额外的耗时集中在于前者对图像的interpolation. 我们在同一台 8 GPUs RTX 2080 TI 的机器上实测，对于Faster R-CNN + ResNet 50 + FPN的baseline上，加上Stitcher需要额外多训练15分钟左右。这相比于8个多小时的训练来说，多等15分钟也是可以接受的。