详解目标检测之Neck选择

共 4515字，需浏览 10分钟

· 2021-06-21

点击左上方蓝字关注我们

全网搜集目标检测相关，人工筛选最优价值内容

编者荐语

Neck是目标检测框架中承上启下的关键环节。它对Backbone提取到的重要特征，进行再加工及合理利用，有利于下一步head的具体任务学习，如分类、回归、keypoint、instance mask等常见的任务。文章对主流Neck进行了阶段性的总结。

转载自 | 极市平台

链接丨https://zhuanlan.zhihu.com/p/342011052

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。

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)
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)
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)
加权聚合：ASFF（https://arxiv.org/abs/1911.09516） (Arxiv 2019), Bi-FPN
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)
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。