DDP：微软提出动态detection head选择，适配计算资源有限场景 | CVPR 2022

语言: CN / TW / HK

时间 2022-09-26 09:01:49 晓飞的算法工程笔记

主题: CVPR

DPP能够对目标检测proposal进行非统一处理，根据proposal选择不同复杂度的算子，加速整体推理过程。从实验结果来看，效果非常不错

来源：晓飞的算法工程笔记公众号

论文: Should All Proposals be Treated Equally in Object Detection?

论文地址：http://arxiv.org/abs/2207.03520
论文代码：http://github.com/liyunsheng13/dpp

Introduction

在目标检测中，影响速度的核心主要是密集的proposal设计。所以，Faster RCNN → Cascade RCNN → DETR → Sparse RCNN的演变都是为了稀疏化proposal密度。虽然Sparse R-CNN成功地将proposal数量从几千个减少到几百个，但更复杂deation head导致减少proposal数量带来的整体计算收益有限。

复杂的deation head结构虽然能带来准确率的提升，但会抹杀轻量级设计带来的计算增益。对于仅有300个proposal的Sparse RCNN，deation head的计算量是主干网络MobileNetV2的4倍（25 GFLOPS 与 5.5 GFLOPS）。

为此，作者研究是否有可能在降低deation head计算成本的同时保留精度增益和proposal稀疏性。现有检测算法采用相同复杂度的操作处理所有proposal，在高质量proposal上花费大量的计算是合适的，但将相同的资源分配给低质量的proposal则是一种浪费。由于每个proposal的IoU在训练期间是已知的，所以可以让检测器学习为不同的proposal分配不同的计算量。

由于在推理时没有IoU，网络需要学习如何根据proposal本身进行资源分配。为此，作者提出了dynamic proposal processing（DPP），将detection head使用的单一算子替换为一个包含不同复杂度算子的算子集，允许检测器在复杂度-精度之间进行权衡。算子的选择通过增加一个轻量级选择模型来实现，该模型在网络的每个阶段选择适用于每个proposal的最佳算子。

Complexity and Precision of Proposals

假设主干网络产生了一组proposal，计算消耗主要来源于detection head而主干的计算消耗可忽略，并且将deation head的计算进一步分解为per-proposal的算子 h （网络结构）以及对应的proposal间处理组件 p （ NMS 操作或proposal之间的的自注意机制）。

Complexity of unequally treated proposals

在之前的检测器中，所有的proposal都由同一个算子 h 处理：

其中，和分别是 h 和 p 的 per-proposal 复杂度。

Complexity of unequally treated proposals

与其将相同的算子 h 应用于所有proposal，作者建议使用包含 J 个具有不同复杂度算子的算子集，由动态选择器 s 选择具体的算子分配给proposal：

其中，表示来自的算子，由选择器 s 分配给的proposal，，为整个per-proposal操作的计算复杂度。为简单起见， p 的复杂度仍然视为常数。

Precision over proposals

当deation head对proposal非统一处理时，给定复杂性约束 C 的最佳检测器精度可以通过优化算子对proposal的分配来提升：

其中是分配的特定运算符的精度。随着 C 的变化，构建了复杂度-精度(C-P)曲线，该曲线表示了可使用实现的目标检测器在成本和精度之间trade-off的最佳性能。

Dynamic Proposal Processing

基于上面的背景，作者提出了一个动态proposal处理（DPP）。假设detection head由多个阶段()依次处理proposal，每个阶段由选择器 s 从中选择的运算符实现。为了最小化复杂性，选择器每次只应用于阶段子集，其余阶段使用上一次处理选择的运算符，即。

Operator Set

作者提出了由三个计算成本差异较大的算子组成的算子集合：

是高复杂度的算子，由一个参数与proposal相关的动态卷积层(DyConv)和一个前馈网络(FFN)来实现，类似于Sparse R-CNN采用的动态Head结构。
是一个中等复杂度的算子，由FFN实现。
是一个由identity block构建的轻量级算子，只是简单地传递proposal而无需进一步提取特征。

Selector

在DPP中，通过控制操作符对proposal的分配，选择器是控制精度和复杂性之间权衡的关键组件。定义是proposal在阶段的输入特征，选择器由3层MLP实现，输出与关联的3维向量：

其中是中的选择变量，代表将操作分配给proposal的权重：

在训练期间，选择向量是包含三个变量one hot编码，将Gumble-Softmax函数作为MLP的激活函数，用于生成选择向量。
在推理中，选择向量包含三个连续值，选择值最大的变量对应的操作。

分配过程如图2所示，整体开销非常小（100个proposal仅需4e-3 GFLOPS），与detection head相比可以忽略不计。

从公式4可以看出，不同的proposal和阶段选择的算子都有变化，从而能够进行动态处理。此外，虽然仅有三个候选项，但潜在的detection head网络结构有种。最后，由于选择器是可训练的，所以整体结构可以端到端学习。

Loss Functions

为了确保在给定复杂度的情况下，DPP能为每个proposal选择最优的操作序列，作者增加了选择器损失，包含两个目标：

首先，应该将复杂的算子（和）分配给高质量的proposal（高IoU）：其中是第 i 个proposal在第 k 阶段的 IoU。当IoU小于0.5时，推动选择器将和变为0，反之则变为1，鼓励在阶段 k 中使用更复杂的算子来获得高质量的proposal。此外，损失的大小是由IoU值决定的，为高IoU proposal选择简单结构或为低IoU proposal选择复杂结构均会产生大梯度值。
其次，选择器应该知道每张图像中的实例总数，并根据总数调整整体复杂度，在实例密集时选择更复杂的算子：其中 T 是特定图像选择算子目标次数，定义为，即图像中 M 个实例的倍数。此外，需通过根据预先指定的下限和由总体proposal数 N 给出的上限对进行裁剪。下界防止对高复杂度算子进行过于稀疏的选择，然后则是根据实例数调整选择器。

最终的整体选择器损失为：

选择器损失是一种即插即用损失，可以应用于不同的对象检测器。在实现时，与应用DPP的原始检测器的所有损失相结合，包括交叉熵损失和边界框回归损失。