百度飞桨PaddleDetection威力再显，助力获得两项ECCV目标检测冠军

近日，百度视觉团队借助PaddleDetection在计算机视觉顶会ECCV 2020 （European Conference on Computer Vision，欧洲计算机视觉国际会议）比赛中，斩获两个赛道冠军，分别是Tiny Object Detection和目标检测领域最权威的比赛COCO。

PaddleDetection是基于飞桨核心框架构建的目标检测开发套件，覆盖主流目标检测算法，并提供丰富的预训练模型，帮助开发者快速搭建出各种检测任务框架，高质量完成各类目标检测任务。PaddleDetection采用模块化设计，解耦了检测常用的组件，非常方便开发者按需组合并扩展新的算法。

经过不断打磨优化，PaddleDetection的YOLO v3系列模型性能大幅增强，新增多款IoU（Intersection over Union）、损失函数、以及多种强大的目标检测模型，套件整体丰富度再次提升。下面我们一起深度探究一下冠军团队的模型优化思路。

小目标检测（Tiny Object Detection）

小目标检测任务使用TinyPerson数据集，包括794张训练图片，每张图片中包括上百个小目标人物。任务的目标是评估测试图片中Tiny大小（2020~4040像素）的人体目标的AP（Average Precision）。

百度视觉团队的开发同学研究了几种常见的两阶段检测器：Faster R-CNN、FPN、Deformable R-CNN、Cascade R-CNN等，从而探查其对不同IoU阈值的检测标准的适合性。

算法优化方法主要分为四个部分：数据增强、训练策略改进、模型改进和模型融合。

1. 数据增强

通常无人机采集的人群数据集，如Semantic Drone Dataset、Stanford Drone Dataset ，由于数据集数量较小，很难达到快速收敛和较好的检测效果。百度视觉团队采用额外的同类数据来进行同尺度预训练，从而提高模型对同等先验知识的理解，提高模型的检测能力。通过加入数据增强策略，提升2%至3%。

2. 训练策略改进

对于无人机航拍收集的数据，不同图像的原始尺寸和目标的相对尺寸有所不同，导致检测器对有些图像的理解困难。在训练过程中，我们随机地将输入图像的大小调整为原始大小的0.5、1.5倍、1.5倍，解决尺度差异问题。在改进训练策略以后，由57.9%提升至65.38%。

3. 模型改进

对于传统的二阶段检测器，如R-CNN和FPN系列，通常使用ResNet系列网络作为骨干网络。为了改进此种系列检测器，对于FPN检测器，P3层为微小物体的检测提供了相对应尺度的特征。然而，P3层的不足在于它具有较少的语义信息。因此用PAFPN代替FPN，提高了网络的语义识别能力。与普通的FPN相比，PAFPN增加了一条自下而上的路径，从而提高了基于提议的实例分割框架中的信息流。此外，在下采样模块中，使用“carafe”下采样方法代替原来的卷积模块下采样方法，然后使用可变形卷积模块。在上采样模块中，还使用可变形卷积模块代替原来的卷积模块对特征进行上采样。改进后的PAFPN提升了1.5%。

4. 模型融合

对于难度较大的无人机航拍的小目标检测任务，单尺度单模型显然无法满足图像的复杂以及低信噪比特性，因此，百度视觉团队考虑使用多尺度多模型实现高精度检测。对于模型融合方法，采用具有不同骨干网络（Res2Net, ResNet200，ResNeXt101，SENet154等）的Cascade R-CNN检测器进行融合。对于每个模型，预测了NMS后的边界框。给每个模型一个0到1区间的标量权重。所有权重总和为1，每个模型的盒子的可信度分数乘以其权重，最后合并来自所有模型的框并运行原始的NMS，添加来自不同模型的分数而不是只保留最高的一个。依次顺序使用NMS的修改合并了不同IoU阈值的预测框。最终，模型的达到了72.23%。

通过以上的优化策略，百度视觉团队在Tiny Object Detection比赛中获得冠军，领先第二名0.8%。

COCO Object Detection

COCO是目前学术界最权威的检测和实例分割比赛。COCO数据集中包括11万条训练数据，涵盖80个类别。COCO目标检测和实例分割任务中三个关键优化策略：

强大的目标检测分支
加强版FPN模块和加强版header
Two pipeline策略

1. 强大的目标检测分支

比赛中，我们用效果优良的Cascade Mask R-CNN和HTC网络作为基础网络，在这些基础网络上，加入更多改进策略来提升检测效果。

首先，用PaddlePaddle框架下的ImageNet的蒸馏模型作为预训练模型，训练object365数据集的检测模型；并用这个训练好的object365检测模型作为预训练模型，来训练相同网络结构的COCO模型，这样可以在检测任务上获得显著提升的效果。对于具体的网络结构来说，采用Res2net200模型、CBResnet200、SE154模型作为检测模型的backbone。其中，Res2net200的检测模型在单尺度下mAP可以达到56.2%。

其次，使用加强版的FPN模块来提升网络效果，Acfpn网络来增强检测能力，该模型可以解决高分辨率输入上特征图分辨率与感受域之间的矛盾，Acfpn包括两个模块，加入Acfpn后，box mAP增加了0.8%。除了AC-FPN，我们还使用DetectoRS中的RFP网络，RFP网络将反馈连接添加到自底向上的主干层中，这个在HTC-R50上使box mAP提升4.2%。

除了加强版的FPN模块，还使用了non-local算子和数据增强策略。non-local算子用于描述距离像素之间的关联，输出特征图的每个元素都会受到所有输入特征图的影响；同时，还根据COCO数据集的特性，使用了随机擦除的数据增强策略，即在图像中随机选取一个矩形区域，在训练中对其像素进行随机擦除，这样可以降低过拟合的风险，并提高模型对于遮挡目标检测的鲁棒性。

2. 加强版FPN模块和加强版header

为了提高模型最终mask的准确率，我们使用了增强版的header模块。在增强版header模块中，使用HTC的header作为基础header。在此基础上，用增强的双网络box header来代替原有的box header。除此之外，mask header分支整合了rescoring信息、实际坐标信息和边缘信息，组合成了增强版的header。

原始的HTC的box header只有两个全卷积层用于目标框的回归和分类，而增强版的双分支box header使用两个分支，分别预测框的坐标和类别。为了提高效率，没有用过重的head结构，只使用一个bottleblock模块代替第一个卷积层，其他的卷积层不变；而对于分割rescoring分支，为了避免计算量过大，只在最后一个阶段加入分割rescoring分支，并用rescoring分支的结果取代原有的box分值赋给mask；而边缘分割分支，是在mask header里融入了边缘信息，来提升mask mAP。

3. Two pipeline策略

为了有效利用多个检测网络的结果，将检测网络的结果当作候选框输入到分割网络的head前，最终得到实例分割网络的最终mask结果，通过这种two pipeline策略，mask mAP增长3.1%。

基于上述优化算法，百度视觉团队在COCO object detection track中一举夺魁。

PP-YOLO

除了在学术界不断突破创新，取得好成绩外，飞桨目标检测套件PaddleDetection在工业界同样发挥着巨大的作用。工业视觉、自动驾驶、安防、新零售等我们身边熟知的各行各业都需要应用目标检测技术。由于其很好的平衡了标注成本、检测精度和速度等，成为当前智能制造产业升级浪潮中被商业化应用最为广泛的AI技术之一。

实际生产环境对检测算法的精度、速度、体积等要求往往十分苛刻。例如工业质检，生产线上往往需要毫秒级别的图片检测速度，而为了确保使用厂商收益最大化，还需要尽量平衡硬件成本和性能。因此，如何在保持高检测精度的前提下，尽量提高检测速度、减小模型体积，成为这项技术真正深入工业实际应用的关键。为了匹配工业实际应用，百度视觉团队探索出了一整套更深度的算法优化秘籍：PP-YOLO，模型精度更高，体积更小。

PP-YOLO是YOLO v3的“华丽变身”，即使对检测视频中非常快速运动的目标也可以达到很好的效果。PP-YOLO将YOLO v3的精度（在COCO test-dev2017数据集）从33.0%提升了12.9个绝对百分点，达到45.9%，处于业界领先行列！而在该精度下，其推理速度在V100上达到了72.9 FPS。也就是说，它在精度和预测速度都超越原生的YOLO v4，并且体积更小，实打实的成为工业应用场景最实用目标检测模型。

经过一系列算法优化，我们将训练迭代次数和学习率衰减的迭代次数调整至和原始YOLO v3模型的迭代次数一致，从25万次增加到50万次，对应学习率衰减的迭代次数调整至40万和45万，PP-YOLO模型在COCO minival数据集精度可达到45.3%，单卡V100上batch size=1时的预测速度为72.9 FPS。如果使用COCO test_dev2017数据集测试，精度将达到45.9%。

如下表所示，在不同输入尺度下PP-YOLO模型与YOLO v4模型在COCO数据集精度和V100推理速度的交手结果。