详解目标检测之Neck选择

前言

根据它们各自的论文创新点，大体上分为六种，这些方法当然可以同时属于多个类别。

1. 上下采样：SSD （https://arxiv.org/abs/1512.02325) (ECCV 2016)
   STDN(https://openaccess.thecvf.com/content_cvpr_2018/html/Zhou_Scale-Transferrable_Object_Detection_CVPR_2018_paper.html) (CVPR 2018)
2. 路径聚合：DSSD（https://arxiv.org/abs/1701.06659） (Arxiv 2017)，
   FPN（https://openaccess.thecvf.com/content_cvpr_2017/html/Lin_Feature_Pyramid_Networks_CVPR_2017_paper.html） (CVPR 2017)，
   PANet（https://openaccess.thecvf.com/content_cvpr_2018/html/Liu_Path_Aggregation_Network_CVPR_2018_paper.html） (CVPR 2018)，
   Bi-FPN（https://openaccess.thecvf.com/content_CVPR_2020/html/Tan_EfficientDet_Scalable_and_Efficient_Object_Detection_CVPR_2020_paper.html） (CVPR 2020)，
   NETNet（https://openaccess.thecvf.com/content_CVPR_2020/html/Li_NETNet_Neighbor_Erasing_and_Transferring_Network_for_Better_Single_Shot_CVPR_2020_paper.html） (CVPR 2020)
3. NAS搜索：NAS-FPN（https://openaccess.thecvf.com/content_CVPR_2019/html/Ghiasi_NAS-FPN_Learning_Scalable_Feature_Pyramid_Architecture_for_Object_Detection_CVPR_2019_paper.html） (CVPR 2019)
4. 加权聚合：ASFF（https://arxiv.org/abs/1911.09516） (Arxiv 2019), Bi-FPN
5. 非线性聚合：Feature Reconfiguration（https://openaccess.thecvf.com/content_ECCV_2018/html/Tao_Kong_Deep_Feature_Pyramid_ECCV_2018_paper.html） (ECCV2018, TIP 2019)
6. 无限堆叠：i-FPN（https://arxiv.org/abs/2012.13563） (Arxiv 2020)

上下采样

该方法的特点是不具有特征层聚合性的操作，如SSD，直接在多级特征图后接head。

STDN是基于SSD的模型，其思想是构造法。由于STDN使用了DenseNet作为主干，因此后面的特征图在尺寸上是相同的，所以需要构造出各种大小的特征图来检测不同大小的物体。中间尺寸特征图直接使用，大尺寸特征图以尺寸变换层上采样获得，小尺寸特征图以池化获得。

路径聚合

该方法基于一个最基本的观察：深层特征图尺寸小，经过层层卷积下采样使得小物体的信息严重丢失，所以深层不利于小物体检测，就将小物体检测交给浅层来做。这也是为什么SSD需要多级head的原因。

然而光是这样还不够，由于深层特征图具有非常丰富的语义信息，那么最好把深层特征再往浅层传，以增加浅层语义信息。于是乎就诞生了最为人所熟知的FPN。在如何上采样方面，FPN使用最邻近上采样，当然还有使用反卷积的DSSD。

这类方法的共性就是反复利用各种上下采样、拼接、点和或点积，来设计聚合策略。可改进的点还包括加上Deformable Conv、Attention、门控机制、跨FPN level的label assignment等，都已有文章。

比较特殊的还有一种名为NETNet (CVPR 2020)的方法，其认为上述路径聚合方案无论怎么设计，对于预测小物体而言，大物体的特征一直存在，因为高层语义信息被传了下来，再加上其本身浅层自带的大物体特征，这对小物体来说会是一种干扰，如下图所示。

因此需要人为地进行干预，为浅层消除大物体特征。

思路也很简单，随着下采样的进行，小物体特征会丢失，那么深层必然已经都是大物体的特征。此时对深层上采样，得到的还是大物体特征，再把原来的浅层减去经过上采样的深层，于是浅层就不再有了大物体的特征。那么小物体的特征将被突出化。

同样的，被消除的大物体特征也可以进一步被传输到合适的层，以增强大物体的检测。

对小物体确实改进比较显著，值得一试。

NAS搜索

即利用神经网络搜索方法来搜索合适的聚合路径，但是搜索的时间成本极高，且数学可解释性低。最新的研究已表明，人工设计的路径聚合在精度上亦可超过NAS搜索出来的结构 (大力出奇迹)。

加权聚合

顾名思义，简单的聚合对所有参与的特征层都是一视同仁的，而实际上，这些来自不同层级的特征图对于单个物体而言，必然只有某一个是最适合检测它的。因此对聚合进行加权就显得尤为重要。

ASFF引入了可参与训练的加权因子来体现不同层级特征图的重要性。

加权公式为 ，其中加权因子 求和为1，即对所参与的特征图先调整到同样尺寸，然后对每个像素点进行加权。

Bi-FPN也有类似的操作，区别在于其简单地使用标量进行加权， ，并且在限制加权因子求和为1方面，使用快速归一化，而非费时的Softmax操作。

非线性聚合

以上这些方法，都可以视为线性聚合操作。首先，让我们用一些简单符号来描述一下聚合过程。

给定特征金字塔的不同层特征图 ，SSD会从某个层开始，选择 层后接head.

接下来以FPN为例，最高层 聚合后仍然是它本身，所以 . 接下来是第二高层 ，它等于原来的 与新的 按照一定的方式进行聚合。最后完整的聚合可以表达为如下的过程：

这里的 以及 都是特定的线性操作，比如不带有激活函数的卷积， 卷积，双线性插值上采样，最邻近上采样，反卷积等。

因此FPN以及其他的路径聚合法，都可视为是线性聚合。于是在《Deep Feature Pyramid Reconfiguration for Object Detection》一文中，作者建立了一种非线性聚合法。

先把所有的层级特征图放在一起，然后学习多个非线性映射 .

非线性映射的学习模仿SENet的方法，带有注意力的味道。

无限堆叠

EfficientDet通过重复堆叠多个Bi-FPN block来获得性能的提升。

显然这样的操作会造成大量的计算开销与显存占用。

那么有没有更好的方法呢？当然有，比如权重共享，即只使用一个FPN block，backbone提取到的特征图会反复经过这个block，由于权重共享，显存占用很少，参数量也少，但是计算量仍然随着重复的次数而增加，因为每迭代一次，对该block的更新最终都需要增加一次反向传播。

但是上述过程有一个有趣的现象，就是当重复计算的次数趋于无穷多次时，这个FPN block的参数会收敛到一个固定点，即特征平衡态。那么如何利用有限次前向传播即可求解这样的网络参数固定点呢？就是《Deep Equilibrium Models》（曲終人不散丶）(NeurIPS 2019) 的厉害之处了。只要我们求得了该固定点，我们就直接得到了单个block重复前后向传播无数次的结果。

下面把最精华的部分提取出来描述：

给定一个FPN block的网络 ， 是它的网络参数点，backbone提取到的多级特征 , 以及一系列初始化的特征金字塔 ，上标为0表示还没开始迭代。

这个 的选择有多种，如FPN，PANet，Bi-FPN，Dense-FPN等，最终输出的也是多级特征金字塔，每一级后面接head. 由于权重共享，上述过程重复多次，那么第 次的输出就是

于是当重复无穷多次时，多级特征图收敛到固定值 

假如你选择迭代10次，就会得到10次多级特征图，依据链式求导法则，你就得更新10次这个block的网络参数 ，这是极为耗时的，且增加了内存开销，因为你需要存储中间的每一次输出。

现在事后诸葛亮一波，假如我已经迭代了1000次，可以认为此时的多级特征图已经是收敛到固定点了，误差很小。DEQ提出反向传播一次就够，即直接使用有关于这个固定点的雅克比的逆来反向传播。即利用它可以直接对一个还没开始迭代的block进行更新。

现在改写一下，把优化 改为优化 ，显然这个固定点就是这个方程的根，即.

那么如何求这个固定点 ？你可以采用拟牛顿法，或者任何其他的求根法，通过多次迭代，得到满足给定误差以内的近似的 .

然后再使用 来反向传播，一次解决所有梯度回传。

i-FPN的思想就源于此，《Implicit Feature Pyramid Network for Object Detection》一文将其应用至目标检测的Neck中。作者以Dense-FPN为基础。

可以看到i-FPN相比较于迭代4次权重共享的block的方法来说，可以获得更好的性能。

就总结到这，如有错误，欢迎指正。

整理不易，点赞三连↓