实录 | 旷视研究院解读COCO2017物体检测夺冠论文（PPT+视频）
主讲人：彭超 | 旷视研究院研究员
屈鑫 整理编辑
量子位 出品 | 公众号 QbitAI
12月6日晚，量子位·吃瓜社联合Face++论文解读系列第一期开讲，本期中旷视（Megvii）研究院解读了近期发表的物体检测论文：《MegDet:A Large Mini-Batch Object Detector》，基于此篇论文提出的MegDet模型，Face++摘下COCO 2017 Detection冠军。
本期主讲人为旷视研究院研究员彭超，同时也是MegDet论文第一作者、COCO 2017 Detection竞赛主力队员，在比赛中主要负责物体检测模型的撰写、训练和调优工作，拥有丰富的深度学习模型调优经验。
此次分享大家反应热烈，全程干货满满，量子位应读者要求，将主要内容整理如下：
https://v.qq.com/txp/iframe/player.html?vid=t0517lptam4&width=500&height=375&auto=0
△ 论文解读完整回放视频
今天我们主要讲的内容主要集中在Detection和Instance Segmentation上，关于COCO Keypoint比赛相关论文，会在12月13日的晚上7点半由竞赛队的owner王志成，给大家进行一个充分的讲解。
MegDet
在COCO Detection比赛中，我们优先解决的是Batchsize的问题；回顾ImageNet Classification的工作，他们的Batchsize在训练过程中非常大，从起步开始就已经是128，最新的一些研究甚至达到了8000或者32K的水平，这使得人们可以在一个小时、乃至半个小时之内完成ImageNet的训练。
但在COCO Detection任务中，我们发现人们使用的BatchSize非常小。最开始的只有2，相当于是两张卡，一张卡一张图；到后面的一些版本，BatchSize也仅有8，就是8张卡训练，一张图一张卡；最新一些研究的结果会达到16，这个结果跟Classification任务相比，连零头都不到。
这个时候，我们就有了一个疑问：为什么在物体检测中Batchsize会这么小呢？要回答这个问题，我们需要了解物体检测和图像识别的不同之处。对于图像识别而言，算法只需要判断一张图中的主要物体，而主要物体所占像素比例通常较大，因此一张224x224的小图即可满足需求。 但是在物体检测里，人们往往需要检测一些精细的小物体，这些物体所占像素比例非常小，常常不足1%。而现有的神经网络技术一般会逐步缩小特征图的尺寸，为了保证小物体在最后的特征图上占有一定的比例，算法需要一张较大的输入图片，通常的做法是800x800。
由于输入图片尺寸的增长，图像检测所需显存量也会同比例增长，这也使得已有的深度学习框架无法训练大Batch-Size的图像检测模型。而小Batch-Size的物体检测算法又常常会引入如下四个问题：
不稳定的梯度。由于Batch-Size较小，每次迭代生成的梯度的变化会非常大，这会导致SGD算法在一个区域内来回震荡，不易收敛到局部最优值。
BN层统计不准确。由于Batch-Size较小，难以满足BN层的统计需求，人们常常在训练过程中固定住BN层的参数，这意味着BN层还 39 38586 39 15287 0 0 3307 0 0:00:11 0:00:04 0:00:07 3307保持着ImageNet数据集中的设置，但其余参数却是COCO这个数据集的拟合结果。这种模型内部的参数不匹配会影响最后的检测结果。
正负样本比例失调。由于Batch-Size较小，一个minibatch之中的图片变化可能非常大，很可能某些阶段正样本框只有个位数。当Batch-Size增大的时候，由于一个minibatch内部的图片数量增加，正负样本比例会优于小Batch-Size的情况。
超长的训练时间。这个原因非常好理解：当Batch-Size较小时，我们必须迭代更多的次数来让算法收敛；随着Batch-Size的增加，算法每次迭代见过的图片数量也随之增长，相应的迭代次数就可以下降，人们也能更快地得到结果。
基于上述四点分析，我们应该对Batch-Size这一问题有了一个直观的认识。我们在比赛中，为了解决这个问题，特意研发了一整套多机训练系统，以实现我们大Batch-Size物体检测算法：MegDet。因为有良好的内部支持，我们的MegDet算法可以几乎无开销完成算量，产生几乎线性的加速比和更优的检测结果。下面，我将介绍MegDet实现过程中的四个要点。
要实现MegDet，首先需要大量的底层支持，大致上可以分为三类：第一是一套GPU 计算云平台，这在我们内部被称为Brain++平台，专门负责统筹规划硬件资源的使用；第二是基于Brain++平台的MegBrain软件框架，提供了诸多深度学习必备的工具箱。第三是在前面两者之上建立的物体检测算法，在此我们基于FPN框架设计了一套检测算法。
这里，我们简单科普一下FPN检测框架。和传统的Faster-RCNN框架不同，FPN在不同尺寸的特征图上提取RoI，以此达到分而治之的效果，即：大物体在小特征图上检测，小物体在大特征图上检测。这种设计既能充分利用现有卷积神经网络的锥形结构，又能有效解决COCO数据集中普遍存在的小物体问题，一举两得。
解决了BN统计不准确的问题。简单来讲，已有的BN统计方法局限于统计单张卡上的图片，做不到多张卡联合统计。由于物体检测本身的特性，单张卡上的图片数量达不到BN统计的要求，因此只能通过多卡联合统计来训练得到结果。为此，我们利用了NCCL（NVIDIA Collective Communications Library）代码库，实现了多卡BN。具体的算法流程可以参照上图，首先通过单卡自主统计BN的参数，再将参数发送到单张卡上进行合并，最后再把BN的结果同步到其他卡上，以进行下一步的训练。
Sublinear Memory技术。这项技术的目的在于减少深度卷积神经网络的显存消耗量，保证我们在比赛之中可以尽可能地使用大模型。我们可以通过上图来简单地体会这项技术的作用。在现有训练方法中，为了计算Conv2中参数（W2, b2）的梯度，人们一般需要保存Conv2的输出结果；但实际上，Conv2的输出结果可以根据Conv1的结果来动态计算，这样Conv2的输出结果就不需要保存，显存消耗也能进一步下降；特别是一些非常深的神经网络，例如152层的模型，Sublinear Memory能显著降低显存的使用量，帮助我们尝试更多的技巧。
介绍一些在大Batch-Size下的学习率调参技巧。16-batch的FPN标准学习率是0.02， 而我们的MegDet的Batch-Size是256。在这种情况下，我们如果直接设定学习率为0.32=0.02 x 16，会导致模型早期迅速发散，无法完成训练。因此，我们需要有一个“逐步预热”的过程，让模型逐渐适应较大的学习率。当训练到一定阶段的时候，我们设定了三个下降阶段：在前两个阶段，我们直接将学习率除以10，最后再将学习率减半。这种学习率的设计主要是为了在比赛中取得极致性能，也是我们的经验所得。
至此，我们可以比较一下不同年份，物体检测的Batch-Size规模。最初，2015年，人们使用2-batch来训练物体检测算法；过了一年之后，这个数字增长到了8倍，即16-batch；今年，在我们Megvii研究院的推动下，又增长到了256-batch，是原始Faster-RCNN的128倍，FPN的16倍。这个数字也恰好是ImageNet常见的Batch-Size。
在MegDet的帮助之下，我们取得了COCO Detection Challenge 2017的冠军，同时也部分解决了之前提到的小Batch-Size训练的问题。
首先，根据我们的统计，在训练过程之中，正负样本比例比小Batch-Size更优，这也意味着梯度的计算能更好地拟合数据分布。下图展示了两张正样本比例相差较大的结果，由于大Batch-Size能够同时计算这两种极端情况的梯度，使得模型参数更新更加平稳。
其次，我们通过多机BN的实现，实现了大Batch-Size下物体检测算法的性能提升。在已有的ImageNet Classification任务中，人们研究大Batch-Size的目的是为了防止掉点；然而在物体检测任务之中，我们却惊奇地发现，大Batch-Size可以直接带来性能提升，这和已有的经验并不相符。另一方面，通过上图的逐Epoch精度曲线，我们还发现256-batch和16-batch在同等Epoch下的精度并不能重合，甚至还有较大的间隔，这也和ImageNet Classification已有的研究结果相违背。一个潜在的因素是物体检测的多loss计算扰乱了中间结果的检测精度，但详细研究这个现象还需要跟多的实验，这已经超出了本文的范畴。
第三点，也是我们做MegDet算法的初衷，即加快训练速度。如图所示，基于ResNet-50网络，在16-batch的设置下， 训练一个模型需要33个小时；当我们增加Batch-Size到64的时候，11个小时就足够完成训练；最后，在256-batch的设定下，仅需要4个小时就可以顺利完成训练。这使得我们在相同的计算力下，可以深度优先地搜索吗模型参数，而非广度优先地并行搜索模型参数，大大降低了试错时间。
COCO的比赛过程
总结一些物体检测的比赛结果。
和论文中不同，我们使用了一个较好的基础网络，让我们一开始的Baseline就达到了43.0 mmAP。然后，我们利用了MegDet中提到的所有技巧，模型的结果为45.0 mmAP。紧接着，我们加入了Semantic Semgnetation的监督loss，以及下文将要提到的Context Module，检测结果涨到了47.0 mmAP。此时，我们再加入了Multi-Scale训练和测试的技巧，达到了50.5 mmAP。这个结果是我们最好的单模型结果。最后，我们ensemble了四个基于不同基础网络训练的模型，虽然其余三个模型的结果都比50.5要差，但多个模型融合能够有效补充不同模型之间的不足，最后我们的点数是52.8 mmAP。
这是我们使用47.0 mmAP的模型出的检测结果图。虽然比我们最终比赛提交的52.8的模型要弱，但在这种中等难度的场景下，已经能够很有效地检测出拥挤的物体和较远处的小物体。这也意味着，在不考虑计算量的情况下，现有的算法已经能够很好地检测出常见物体，达到了实用需求。
Instance Segmentation
介绍一下Instance Segmentation上的经验。
Instance Segmentation现有的实现流程大致如下：首先用一个Detection的模型，比如我们之前的MegDet，给出一个待选框；通过这个框在特征图上扣取一块区域，并做一些Context处理；最后，通过一个精心设计的Mask来计算最后的loss。Instance Segmentation最重要的就是如图所示的三个模块，这也是我们本次比赛着力探索的部分。
第一个部分是Pooling，也就是扣取特征图的过程。最原始的RoIPooling比较暴力。如左图所示，中间较小的红色虚线框是MegDet给出的ROI，由于浮点数的影响，这个框并不能完全对齐到绿色的特征图格点上。现有的计算逻辑是把红色的虚线框拉伸到外围红色虚线框，然后计算框中部分特征格点。最近，Mask-RCNN的提出将这个“硬”过程软化成了插值流程，即计算格点附近四个点的平均结果。而我们提出的Precise RoI Pooling讲这个过程做了进一步细化，即利用一个积分的过程代替插值过程，使得我们可以更好地扣取ROI对应的特征图。
第二部分，是Context抽取部分，我们在COCO比赛中也使用了这个技巧来改善Detection的结果。如图所示，在第x层，我们扣去了一个14x14的ROI，同时我们在更小的特征图x+1上也扣取了相同尺寸的ROI，并通过两者的和作为一个初始ROI。在更大的特征图x-1上，我们扣取了更大的28x28区域，作为额外的Context，辅助分割。值得一提的是，我们在每个特征图上都增加了右上角所示的large kernel模块，这个模块已被证明在Semantic Segmentation中拥有非常好的效果，在Instance Segmentation中它也同样有效。
第三部分，也是最后一部分，我们精心设计了Mask的生成。在第二部扣取整合了Context之后，实际的ROI对应的GroundTruth已经发生了一定的坐标偏移，如图中红色小三角所示。在这种偏移下，我们不能直接用绿色格点对应的GroundTruth来计算loss（即蓝色格点）。此时，我们的做法是把ROI Feature重新插值到蓝色格点处，以此来精确计算Instance Segmentation的Loss。
通过实践上述三种技巧，外加一些在COCO Detection中使用的技巧，我们取得了COCO Instance Segmentation第二，PLACES Instance Segmnetation第一的成绩。
图中的柱状图展示了我们在相同基础下，增加不同模块导致的模型精度增加。可以发现，诸如Large Batch、MultiScale、Context和Ensemble的技巧是通用的，而另外两种方法则是Instance Segmnetation独享的。值得一提的是，我们在COCO Instance Segmentation中和第一名相差只有0.3，由于时间和资源的限制，我们只做了ensemble两个模型。如果可以ensemble四个模型，那么我们很有希望取得更优的结果。
这张图片展示了我们比赛中的单模型结果。可以发现，针对分割中较为困难的细长杆状物体，我们已经能够做得比较好，基本满足了实用需求。但同Detection任务相比，Instance Segmentation还有较多的发展空间。
最后，我们总结一下这次比赛带来的经验。
第一，我们实现了世界上第一个大Batch detctor：MegDet。在一些列任务中，我们发现MegDet是有效的训练技巧。第二，在做Segmentation任务重，像素点的对齐操作是一个巨大的难点，无论是扣取ROI Feature还是计算loss。最后，训练速度非常重要，这也是我们公开MegDet方法的原因。一旦实现了MegDet，物体检测及其相关领域的发展会变得非常迅速，更好的算法可以被提出和验证。
一则招人硬广：
希望加入旷视科技一起登上CV巅峰的同学可以投简历至yugang@megvii.com，长期招聘算法实习生。实习优秀者，更有跳过面试阶段，入职Megvii研究院的机会。
Q&A
处理误检有什么好办法吗？
如果是处理两类的物检问题，你实际上可以在后端再接一个比较小的分类器，来把误检的框给去掉。但就我们的经验来说，如果是做一个多类物体检测算法，特别是像COCO比赛这类的物体检测器，你很难有一个较好的小分类器。最好的方法还是提升模型的性质，比如说我们会在Rol pooling出来之后，我们会加比较多的一些计算量上去，以及加一些训练的技巧，动态地让模型自身去把误检的问题给弄掉。
Batch size大，GPU也多，时间肯定减少，这怎么能证明是算法带来的收益呢？
实际上我们没有说这个是算法带来的收益，我们说的是Batch size大，带来的不光是实验的减少，而且还是性能的一个提升。这个是算法本身带来的一个收益，相当于也是这个算法，可能它本身就需要再一个比较大的Batch size下，才能工作的比较好。
针对小物体有什么好的解决方法?
实践上针对小物体好的解决方法不多，小问题的解决方法不多的原因在于：1) 小物体的图已经比较糊了，人们自己也很难分清。第二个是小物体经常会出现一种像素偏移的情况，特别是在做Pooling的时候。大物体偏离两个像素，基本没有影响，但小物体偏移两个像素可能已经飞出了框外。现有的解决逻辑是用比较浅层的特征图去定向检测小物体，例如FPN。另外一种方法是强行增大图片尺寸，使小物体的像素点尽可能的多。在比赛中，我们两种方法都有用，并且都验证涨点。
人脸识别中，什么策略是有意义的研究路线？
就我个人来说，我认为只要能在限制性条件下涨点的策略都是有意义的研究路线，但如何来实现限制性条件下能涨点，就得具体看你们就做这个模型的一个需求。因为如果是打比赛的话，那当然是什么涨点什么有用；但在做手机端模型的时候，某些消耗巨大的方法可能就并不适用。具体如何研究，如何取舍，还需要和业务场景相结合。
SGD外其他方法试过吗？
我们试过一些其他方法，但是我们发现好像都和SGD差不多。在多机训练场景下，SGD会更加方便实现。
相关学习资源
以上就是此次旷视研究院彭超带来分享的全部内容，在量子位公众号（QbitAI）界面回复“171212”可获得完整版PPT以及视频回放链接。
P.S. 12月13日（周三）晚19:30，旷视研究院研究员、竞赛队owner、论文共同一作王志成，将带来吃瓜社第二期，线上解读COCO2017人体姿态估计冠军算法论文，欢迎报名~
— 完 —
活动报名
加入社群
量子位AI社群12群开始招募啦，欢迎对AI感兴趣的同学，加小助手微信qbitbot4入群；
此外，量子位专业细分群(自动驾驶、CV、NLP、机器学习等)正在招募，面向正在从事相关领域的工程师及研究人员。
进群请加小助手微信号qbitbot4，并务必备注相应群的关键词~通过审核后我们将邀请进群。（专业群审核较严，敬请谅解）
诚挚招聘
量子位正在招募编辑/记者，工作地点在北京中关村。期待有才气、有热情的同学加入我们！相关细节，请在量子位公众号(QbitAI)对话界面，回复“招聘”两个字。
量子位 QbitAI · 头条号签约作者
վ'ᴗ' ի 追踪AI技术和产品新动态