An Analysis of Scale Invariance in Object Detection – SNIP

简介

小目标问题一直是目标检测领域一个比较难解决的问题，因为小目标提供的信息比较少，当前的很多目标检测框架并不能充分捕捉小目标的全部信息，这导致了小目标检测的MAP比较低，在COCO数据集中，小目标所占的尺度也非常的小，尺度差距非常之大(scale variance)，SNIP这篇文章很好的缓解了scale variance所带来的问题。

文章主要是围绕几个实验展开的，通过这几个实验，我们能很清楚的走进作者的思路以及如何提出SNIP的想法的。

Image Classification at Multiple Scales

首先作者做的实验是探究分类器在使用不用scale的训练策略，结果如何。这是因为本文后面使用的是Two Stage的网络结构，所以作者这里单独去探究分类网络对不同scale的训练结果的影响，为后面打下铺垫。

首先是第一个实验：

作者将ImageNet的原图分别下采样为48x48、64x64、80x80、96x96、128x128，在训练的时候把图片统一reshape到224x224进行训练。网络结构的第一层为conv7x7和pool2x2。结构是上图中的CNN-B。

结果如上图，横轴是下采样后的尺度，我们发现，尺度越接近于原图尺度，分类的结果是越准确的。

对此的解释是，是浅层的网络使用了2x2pooling，pooling使得信息损失，small scale的图片本来信息就少，还在浅层feature map使用了pooling，使得后面的层无法捕捉到有用信息，所以small scale的图片准确率要低一些。

因此对结构进行修改，改成了上面图中的CNN-S，这里和上面实验的区别是，网络的输入不再是224，对于3x3 stride 1 的结构，输入就是48x48，对于96x96的输入，第一个conv层对应改为conv5x5 stride2，所以测试只针对48x48和96x96的经过下采样的图像进行测试。

结果如图：

我们发现CNN-S比CNN-B有提升，这也证明了上面我们的观点，在相同尺度下训练和测试往往能取得更好的结果，并且左右两个图对比我们也可以得出随着分辨率的提高，这种改进的增益是减小的。

随后作者又做了一组实验，就是上图中的CNN-B-FT。

这组实验是使用CNN-B的结构，首先在224也就是原图高分辨率情况下训练，然后再去使用48x48和96x96 upsample之后的图像再去Fine-tune，结果要更好。

这就说明了，高分辨率的预训练对低分辨率的分类有帮助，也就是说，高分辨率的训练能帮助低分辨率特征的提取。

Data Variation of Correct Scale

这里作者采用了DFCN网络来实验，这个网络类似SPPNet，能接受不同shape的输入，输出是统一的，所以跟上面的分类网络刚好是相反的。这样可以使得我们可以将不同尺度的图片输入给网络去做下面的实验。

实验中原始图像是640x480的，实际会上采样原始图像，训练的时候要么使用800x1200，要么用1400x2000，而测试的时候是在1400x2000下测试的。

第一组实验：

分别去训练800x1400的图片和1400x2000的图片，他们对应的分别是上图中的Medium Scale和Large Scale，在1400x2000下测试。结果如表中800all和1400all所示。

首先1400的比800的map要高，这符合我们的预期，因为测试图片是1400尺度的，但是为什么提升这么少呢？结论是在Large Scale里，有些Object太大啦，这些太大的Object网络是很难检测的，而小目标在large-scale里被放大了，所以检测难度降低了。

第二组实验：

用1400x2000的图像，在1400x2000上测试，只训练小目标，也就是小于80pixel的目标，结果如表里面第一项，结果要更差了，这说明了其实大目标的训练对小目标的检测是有帮助的，而没了大目标只训练小目标，结果自然就差一些。这其实跟第一组实验有些照应，因为如果没了大目标小目标要训练的更好，说明了第一组实验中大目标最好不训练，我们针对每种尺度去单独训练应该要更好，但实际并不是，多种尺度的object一起训练尽管在800x1400的分辨率下要差于1400x2000，但是比只单独训练小目标要好得多。我觉得这里作者应该再做一组只训练大中目标的实验，证明只训练大中目标的结果也要差于上面的结果，这就说明了确实是大目标太大很难检测。所以这两组对比其实还差一步。

第三组实验：

既然我有800x1400的和1400x2000的图像，有多种分辨率的图像，自然就想到了多种分辨率混合训练，于是作者在第三组实验中使用了多种分辨率混合训练(包含演示分辨率480x800)，结果如表中的第四项。可以看到，MAP其实是低于单独训练一种尺度的，这里作者解释为多尺度训练中，large scale中太大的目标难于检测，所以导致了MAP的下降，由于不容易检测，这反而使得MAP要低于800x1400训练的图像。

所以，为了解决第三组实验的问题，本文提出的SNIP就诞生了，思路就是在上面MST上进行改进，使得高分辨率图像只训练小目标，低分辨率图片只训练大目标。

Scale Normalization for Image Pyramids

这里提出SNIP方法，方法的目的就是限制太大或者太小的目标不训练，只训练特定尺度的目标，方法大大减少的在尺度域domain shift，通过上面表格中SNIP的优异表现其实就可以说明。

由于本文是使用DFCN做的实验，这是一个2-stage网路。大尺度输入图像不仅要和gt看IOU，而且要预定义一个可分配的范围，在这个范围内的GT才会和anchor进行匹配，称为Valid Anchor，否则称为InValid Anchor，InValid Anchor训练时候梯度置0.如图所示。

第一阶段训练好之后就可以得到很多尺度的proposal，对于这些proposal拿去训练分类。

标签：scale,训练,尺度,Object,Analysis,目标,SNIP,实验,1400x2000
来源： https://www.cnblogs.com/aoru45/p/11920876.html