港大同济伯克利推出目标检测新范式：Sparse R-CNN-优快云博客

点击上方“机器学习算法那些事”，选择加"星标"或“置顶”

重磅干货，第一时间送达

作者：孙培泽

全新的目标检测范式Sparse R-CNN。
原文链接：https://zhuanlan.zhihu.com/p/310058362

本文主要介绍一下我们最近的一篇工作：

沿着目标检测领域中 Dense 和 Dense-to-Sparse 的框架，Sparse R-CNN 建立了一种彻底的 Sparse 框架，脱离 anchor box，reference point，Region Proposal Network(RPN) 等概念，无需 Non-Maximum Suppression(NMS) 后处理，在标准的 COCO benchmark 上使用 ResNet-50 FPN 单模型在标准 3x training schedule 达到了 44.5 AP 和 22 FPS。

Paper: https://arxiv.org/abs/2011.12450
Code: https://github.com/PeizeSun/SparseR-CNN

1. Motivation

我们先简单回顾一下目标检测领域中主流的两大类方法。

第一大类是从非 Deep 时代就被广泛应用的 dense detector，例如 DPM，YOLO，RetinaNet，FCOS。在 dense detector 中，大量的 object candidates 例如 sliding-windows，anchor-boxes， reference-points 等被提前预设在图像网格或者特征图网格上，然后直接预测这些 candidates 到 gt 的 scaling/offest 和物体类别。
第二大类是 dense-to-sparse detector，例如，R-CNN 家族。这类方法的特点是对一组 sparse 的 candidates 预测回归和分类，而这组 sparse 的 candidates 来自于 dense detector。

这两类框架推动了整个领域的学术研究和工业应用。目标检测领域看似已经饱和，然而 dense 属性的一些固有局限总让人难以满意：

NMS 后处理
many-to-one 正负样本分配
prior candidates 的设计

所以，一个很自然的思考方向就是：能不能设计一种彻底的 sparse 框架？最近，DETR 给出了一种 sparse 的设计方案。candidates 是一组 sparse 的 learnable object queries，正负样本分配是 one-to-one 的 optimal bipartite matching，无需 nms 直接输出最终的检测结果。然而，DETR 中每个 object query 都和全局的特征图做 attention 交互，这本质上也是 dense。而我们认为，sparse 的检测框架应该体现在两个方面：sparse candidates 和 sparse feature interaction。基于此，我们提出了 Sparse R-CNN。

Sparse R-CNN 抛弃了 anchor boxes 或者 reference point 等 dense 概念，直接从 a sparse set of learnable proposals 出发，没有 NMS 后处理，整个网络异常干净和简洁，可以看做是一个全新的检测范式。

2.Sparse R-CNN

Sparse R-CNN 的 object candidates 是一组可学习的参数，N*4，N 代表 object candidates 的个数，一般为 100～300，4 代表物体框的四个边界。这组参数和整个网络中的其他参数一起被训练优化。That's it，完全没有 dense detector 中成千上万的枚举。这组 sparse 的 object candidates 作为 proposal boxes 用以提取 Region of Interest(RoI)，预测回归和分类。

这组学习到的 proposal boxes 可以理解为图像中可能出现物体的位置的统计值，这样 coarse 的表征提取出来的 RoI feature 显然不足以精确定位和分类物体。于是，我们引入一种特征层面的 candidates，proposal features，这也是一组可学习的参数，N*d，N 代表 object candidates 的个数，与 proposal boxes 一一对应，d 代表 feature 的维度，一般为 256。这组 proposal features 与 proposal boxes 提取出来的 RoI feature 做一对一的交互，从而使得 RoI feature 的特征更有利于定位和分类物体。相比于原始的 2-fc Head，我们的设计称为 Dynamic Instance Interactive Head。

Sparse R-CNN 的两个显著特点就是 sparse object candidates 和 sparse feature interaction，既没有 dense 的成千上万的 candidates，也没有 dense 的 global feature interaction。Sparse R-CNN 可以看作是目标检测框架从 dense 到 dense-to-sparse 到 sparse 的一个方向拓展。

3. Architecture Design

Sparse R-CNN 的网络设计原型是 R-CNN 家族。

Backbone 是基于 ResNet 的 FPN。
Head 是一组 iterative 的 Dynamic Instance Interactive Head，上一个 head 的 output features 和 output boxes 作为下一个 head 的 proposal features 和 proposal boxes。Proposal features 在与 RoI features 交互之前做 self-attention。
训练的损失函数是基于 optimal bipartite matching 的 set prediction loss。

从 Faster R-CNN(40.2 AP) 出发，直接将 RPN 替换为 a sparse set of learnable proposal boxes，AP 降到 18.5；引入 iterative 结构提升 AP 到 32.2；引入 dynamic instance interaction 最终提升到 42.3 AP。

4. Performance

我们沿用了 Detectron2 的 3x training schedule，因此将 Sparse R-CNN 和 Detectorn2 中的 detectors 做比较（很多方法没有报道 3x 的性能，所以没有列出)。同时，我们也列出了同样不需要 NMS 后处理的 DETR 和 Deformable DETR 的性能。Sparse R-CNN 在检测精度，推理时间和训练收敛速度都展现了相当有竞争力的性能。

5. Conclusion

R-CNN 和 Fast R-CNN 出现后的一段时期内，目标检测领域的一个重要研究方向是提出更高效的 region proposal generator。Faster R-CNN 和 RPN 作为其中的佼佼者展现出广泛而持续的影响力。Sparse R-CNN 首次展示了简单的一组可学习的参数作为 proposal boxes 即可达到 comparable 的性能。我们希望我们的工作能够带给大家一些关于 end-to-end object detection 的启发。

原文链接：https://zhuanlan.zhihu.com/p/310058362