Deformable ConvNets--Part4: Deformable Convolutional Networks

转自：https://blog.csdn.net/u011974639/article/details/79704043

关于Deformable Convolutional Networks的论文解读，共分为5个部分，本章是第四部分：

• [ ] Part1： 快速学习实现仿射变换
• [ ] Part2： Spatial Transfomer Networks论文解读
• [ ] Part3： TenosorFlow实现STN
• [x] Part4： Deformable Convolutional Networks论文解读
• [ ] Part5： TensorFlow实现Deformable ConvNets

本章解读Deformable ConvNets论文，看该模型是如何让卷积可变形，如何让模型支持端对端训练。

---

Deformable Convolutional Networks

Deformable Convolutional Networks

收录：ICCV2017(IEEE International Conference on Computer Vision)

原文地址：Deformable-ConvNets

代码:

• 官方-MXNet
• Keras

---

---

Abstract

CNN因为其固定的几何结构限制了模型几何变换能力。论文引入了可变卷积(Deformable Convolution)和可变ROI pooling(Deformable RoI pooling)两个新模块，提高模型的空间转换能力。这两种模块增加模型空间采样位置和从task上学习偏移能力。新的模块可很容易的替换现有的CNN模型中对应的部分，并支持端对端训练。大量实验验证了可变性卷积模型能够有效的应对复杂的视觉任务。

---

Introduction

视觉任务中存在的问题

视觉识别中一个关键的挑战是如何适应物体的几何变体或目标尺度、姿态、观察点、部分变形的几何变换。如下：

针对这一问题，通常有两个办法：

• 一是构建有足够期望变化的训练数据集。这个通常是对数据做增强，例如仿射变换，放缩等。希望模型能够在多种变体数据上学习鲁棒性强的表征，但这是以计算消耗和模型复杂度为代价的。
• 二是使用变换不变的特征和算法。这有许多广泛使用的算法，例如SIFT(尺度不变特征变换)，基于滑窗的目标检测等

上述的方法有两个缺点：

• 首先，对数据的几何变换是已知固定的，这样的先验应用于增强数据集上、设计特征和算法，会对未知几何变换的任务处理造成影响，因为没有正确的去对未知变换建模。

• 其次，手工设计的特征和算法难以或者不能应对复杂的变换，即使这些变换是已知的。

Motivation

近期，CNN在多个复杂视觉任务上获得了显著的提升。但是，CNN也存在上述的两个缺点。模型的几何变换能力大多来源于大量的数据增强、模型的表征能力和一个简单的手工特征(例如max-pooling应对小型平移变换)。

简而言之，CNN受限于模型内部固定的几何结构：卷积单元对输入固定的采样位置；池化层固定的下采样因子；RoI池化层将RoI分成固定数量的bin等，这缺乏处理几何变换的内部机制。

这会导致一些明显的问题。例如：CNN中同一层的所有激活单元的接受野是固定的，这不利于high-level层编码空间信息，因为不一样的位置可能会对应不同尺度或形态的目标。对于精确定位来说，自适应确定尺度和感受野尺度是理想的。此外，在目标检测上，许多模型依然依赖于基于特征提取的bbox，这对于non-rigid objects物体等是非最优的。

论文的贡献

在本文中引入两个新模块极大提高了CNN对于几何变换的建模能力:

• 第一个是deformable convolution(可变形卷积)。这在标准卷积的常规采样网络位置上增加了一个2D偏移，这使得采样网格可以自由变形。如下图所示：

可通过附加卷积层从之前的feature上学习偏移量，这样变形以局部，密集和自适应的方式适应输入feature。

• 第二是deformable RoI pooling(可变性RoI池化)。在先前的RoI池化的每个常规的bin上添加一个偏移。类似的，偏移也是从前面的feature和RoI上学习的，能够对不同形状的目标做自适应定位。

这两个模块都是轻量级，只增加了少量的计算和参数。并且能够轻易的替换现在CNN中对应的部分，支持端对端训练。deformable convolutional networks和STN(Part2)和可变形模块有同样的精神。都是具有内部转换参数和学习参数，都是纯粹的学习数据。deformable ConvNets相比的来讲，是更简单、有效，深度和端对端的训练。

---

---

Deformable Convolutional Networks

Deformable Convolution

2D的卷积由两部分组成：

• 在输入feature map X$X$上使用regular grid R$R$采样
• 对采样值加权w$w$求和

网格R$R$定义的是感受野尺寸和扩张率。例如:对于一个扩张率为1的3×3$3\times 3$卷积核，采样的偏移量为

R={(−1,−1),(−1,0),..,(0,1),(1,1)}$$R=\{(-1,-1),(-1,0),..,(0,1),(1,1)\}$$

对于输出feature map y$y$上每个位置po$p_o$：

y(po)=∑pn∈Rw(pn)X(po+pn)(1)$$\begin{array}{}\text{(1)}& y(p_o)=\sum _{p_n\in R}w(p_n)X(p_o+p_n)\end{array}$$

其中pn$p_n$在网格R$R$上迭代。每个卷积核位置pn$p_n$对应着核参数w(pn)$w(p_n)$。

要想获得可变性卷积，可在regular grid R$R$上做手脚，论文是为其增加偏移量{Δpn|n=1,...,N}$\{\mathrm{\Delta }{p}_n|n=1,...,N\}$,其中N=|R|$N=|R|$：

y(po)=∑pn∈Rw(pn)X(po+pn+Δpn)(2)$$\begin{array}{}\text{(2)}& y(p_o)=\sum _{p_n\in R}w(p_n)X(p_o+p_n+\mathrm{\Delta }{p}_n)\end{array}$$

此时采样偏移为pn+Δpn$p_n+\mathrm{\Delta }{p}_n$，我们想法子学习这个Δpn$\mathrm{\Delta }{p}_n$就可以了。

Deformable ConvNets和STN对比

Deformable ConvNets关于可变性卷积示意图如下：

上图在input feature map上蓝色的虚线表示regular grid。

STN网络架构中的Spatial Transformer变换：

可以看到这和Deformable Convolution非常相似的，STN使用的是仿射变换，而Deformable ConvNets使用的是更泛化的偏移量。

在Part2中，我们详细分析过STN中Spatial Transformer的组成部分：

• Localisation net，在输入特征映射上应用卷积或FC层，用于获取仿射矩阵，即各个θ$\theta$值。
• Grid generator，用于生成实际的Sampling grid坐标
• Sampler，实际对输入特征映射U$U$的采样

同样的Deformable ConvNets中关于deformable convolution的处理可分为以下部分：

• 对输入feature map原本使用一个卷积conv得到下一层输入。现在使用另外一个offset conv卷积获取偏移量，offset conv卷积核大小和扩张率和conv相同，offset conv的输出为offset field
• offset field和输入特征映射相同空间分辨率，并且通道数为2N$2N$,对应着N$N$个2D的偏移量(x,y方向)
• 通过双线性采样获取的最终的采样网格，配合conv卷积核得到最终输出结果

---

对Deformable ConvNets的总结：

可以看到Deformable Convolution说白了是一个扩张率可学习的卷积，相比于STN学习一组仿射变换参数，Deformable学习卷积核中各个采样点的偏移量。与此相对的常规的扩张卷积是固定的偏移量。

---

Deformable Convolution 的反向传播

注意到在Deformable ConvNets中偏移量Δpn$\mathrm{\Delta }{p}_n$常常不为整数，而在BP时需要可微求梯度的，故论文采用和Part2：STN(Spatial Transformer Network)一样的方法，使用双线性采样搞定:

X(p)=∑qG(q,p)·X(q)(3)$$\begin{array}{}\text{(3)}& X(p)=\sum _{q}G(q,p)·X(q)\end{array}$$

G(·,·)$G(·,·)$ 是双线性插值核函数，p$p$表示任意位置 p=po+pn+Δpn$p=p_o+p_n+\mathrm{\Delta }{p}_n$，q$q$是feature map X$X$上所有位置的迭代。

注意G$G$是两维的，可以分成两个一维的核：

G(q,p)=g(qx,px)·g(qy,py)(4)$$\begin{array}{}\text{(4)}& G(q,p)=g(q_x,p_x)·g(q_y,p_y)\end{array}$$

其中g(a,b)=max(0,1−|a−b|)$g(a,b)=max(0,1-|a-b|)$，公式(3)可通过公式(4)做快速计算。

上述公式(3)(4)可能看的比较抽象，看看STN中使用双线性采样的表达式，再对比一下就很清晰了：

在STN中使用双线性采样核的表达式总结如下：

Vic=∑nH∑mWUcnmmax(0,1−|xsi−m|)max(0,1−|ysi−n|)$$V_c^i=\sum _n^H\sum _m^W{U}_{nm}^{c}max(0,1-|x_i^s-m|)max(0,1-|y_i^s-n|)$$

这其中的max(0,1−|xsi−m|)max(0,1−|ysi−n|)$max(0,1-|x_i^s-m|)max(0,1-|y_i^s-n|)$对应的就是G(q,p)$G(q,p)$，Vc$V_c$对应的就是X(p)$X(p)$。 对于反向求梯度的公式，可参考Part2：STN。

Deformable RoI

所有基于侯选区域的目标检测办法都使用了RoI Pooling，这能够将任意大小的矩形区域转换为固定大小的特征。 给定特征映射X$X$和大小为w×h$w\times h$的RoI，我们记RoI的左上角为p0$p_0$，RoI pooling将RoI分为k×k$k\times k$个bin，输出大小为k×k$k\times k$的特征映射y$y$。对于序号为(i,j)$(i,j)$的bin：

y(i,j)=∑p∈bin(i,j)X(p0+p)/nij(5)$$\begin{array}{}\text{(5)}& y(i,j)=\sum _{p\in bin(i,j)}X(p_0+p)/n_{ij}\end{array}$$

其中nij$n_{ij}$是bin中像素的数量。第(i,j)$(i,j)$个bin的跨度为⌊iwk⌋≤px≤⌊(i+1)wk⌋$\lfloor i\frac{w}{k}\rfloor \le p_x\le \lfloor (i+1)\frac{w}{k}\rfloor$和⌊jhk⌋≤py≤⌊(j+1)hk⌋$\lfloor j\frac{h}{k}\rfloor \le p_y\le \lfloor (j+1)\frac{h}{k}\rfloor$。(⌊x⌋$\lfloor x\rfloor$表示对x$x$取整)

和Deformable Convolution类似，对于RoI Pooling也是添加一个偏移量{Δpij|0≤i，j<k}$\{\mathrm{\Delta }{p}_{ij}|0\le i，j<k\}$添加到空间分bin的坐标上，故公式(5)变成了:

y(i,j)=∑p∈bin(i,j)X(p0+p+Δpij)/nij(5)$$\begin{array}{}\text{(5)}& y(i,j)=\sum _{p\in bin(i,j)}X(p_0+p+\mathrm{\Delta }{p}_{ij})/n_{ij}\end{array}$$

同样的，Δpij$\mathrm{\Delta }{p}_{ij}$会是非整数，故依旧是通过双线性采样来实现。

下图是Deformable RoI Pooling示意图：

大概步骤如下：

• 首先，使用公式(5)的RoI Pooling生成池化后的特征映射。
• 在上述生成特征映射上，使用FC层生成normalized offset Δpij^$\mathrm{\Delta }\widehat{p_{ij}}$。
• Δpij^$\mathrm{\Delta }\widehat{p_{ij}}$通过和RoI的宽和长逐元素相乘，即 Δpij=γ·Δpij^⋅(w,h)$\mathrm{\Delta }{p}_{ij}=\gamma ·\mathrm{\Delta }\widehat{p_{ij}}\cdot (w,h)$，变换生成 Δpij$\mathrm{\Delta }{p}_{ij}$。γ$\gamma$是预设控制偏移大小的。经验设置为0.1。

Position-Sensitive(PS) RoI Pooling

如下图所示：

大概执行步骤：

• 将输入feature map做卷积转为k2$k^2$个score map，因为有背景，故共有k2(C+1)$k^2(C+1)$个特征图。(分类类别C$C$)
• 将这些特征图表示为{Xi,j}$\{X_{i,j}\}$，其中(i,j)$(i,j)$表示bin的迭代。在这些特征图上做池化，第(i,j)$(i,j)$个bin是从位置Xi,j$X_{i,j}$的特征图上通过sum操作获取到的。

简单的来讲，就是原本普通的特征映射X$X$换成了现在现在指定位置敏感的Xi,j$X_{i,j}$。

同样的，对于获取偏移量的分支，也是将原本的特征图X$X$换成了Xi,j$X_{i,j}$。对于offset的学习，按照全卷积的思想，使用一个卷积层全空间分辨率的offset fields。对于每个RoI，PS RoI pooling都应用在这样的offset field上获取normalized offset Δpn^$\widehat{\mathrm{\Delta }{p}_n}$。

Deformable ConvNets

Deformable convolution 和RoI pooling和原本的版本具有相同的输入和输出，故能够直接替换CNN中原本对应的部分。在训练中，添加的用于学习offset的FC层或卷积层的权重设置为0。学习率设置为对应层的β$\beta$ 倍(默认β=1$\beta =1$，在Faster-RCNN中FC层的β=0.01$\beta =0.01$)。通过双线性插值的反向传播做训练。

为了将deformable ConvNets集成到先进的CNN架构中，注意到现有架构分成两个阶段：

• 一个深度全卷积网络在整个输入图片上生成特征图(特征提取层)
• 在生成特征图上做一个具体的任务

我们详细的讲解一下这两个阶段。

Deformable Convolution for Feature Extraction

论文采用了两个先进的特征提取架构：ResNet101和改进的Iception-ResNet，两个都是在ImageNet上跑过。原先的Inception-ResNet是为图片识别设计的，论文改进修复了其alignment 问题，改进后的版本称为Aligned-Inception-ResNet。

论文使用的改进版本的Aligned Xception：

论文将两个网络的平均池化和FC层去掉，在最后添加了一个随机初始化的1×1$1\times 1$卷积层将通道降维到1024。将最后一个卷积块的有效步幅从32pixel降到16pixel(步幅=HinputHoutput$\frac{H_{input}}{H_{output}}$)，增加feature map的分辨率。为了补偿，在最后卷积块添加扩张率为2的扩张卷积。

Segmentation and Detection Networks

在上述特征层提取的feature map上建立一个网络用于完成具体的任务。我们将C$C$定义为任务分类类别数。

• DeepLab： 用于语义分割。在feature map上添加一个1×1$1\times 1$卷积生成C+1$C+1$个maps用于表示每个像素分类结果，再接Softmax。
• Category-Aware RPN: 用于目标检测。将2分类卷积分类器换成了C+1$C+1$卷积分类器。
• Faster R-CNN： 用于目标检测。RPN分支添加在conv4 block的顶端。论文将RoI pooling直接接在后面，在RoI输出上接两个1024维的FC层，再接bbox回归和分类分支。和之前的网络相比，将10个层的conv5替换为2个FC层，会有轻微的精度下降，但是依旧是足够强大的baseline。
• R-FCN： R-FCN是先进的检测器。对应的每个RoI计算消耗可忽略不计。安装原先的实现，可将RoI换成PS RoI pooling。

改进前的目标检测框架：

改进后的目标检测框架：

---

---

Understanding Deformable ConvNets

使用可变形卷积堆叠，示例如下：

图左的标准卷积，所有采样位置和感受野是固定的。图右的可变形卷积依据目标的大小和形态自适应改变。

可变形卷积集中案例：

使用可变形RoI Pooling：

In Context of Related Works

讨论与其他工作不同之处。

Spatial Transform Network: STN工作是在深度网络中从数据上学习空间转换，使用全局参数变换包裹feature map。这样的参数学习起来很困难。STN证明了在小型形变上是有效的。

可变形卷积的offset learning 可以被考虑成STN中极其轻量级的空间变换。然而，可变形卷积不采用全局参数变换和特征变形，采样的是以局部和密集的方式管理特征映射。为了生成新的特征映射，再做加权求和操作。并且Deformable Convolution比STN更容易集成到现有的CNN架构中。

Active Convolution： 这项工作也是通过增强卷积中采样位置和学习偏移量，通过反向传播实现端对端。这个工作和deformable convolution有两处不同。一是：对于不同的空间位置共享同一偏移量。二是：offset在每个任务和每个训练中是静态模型参数。相对的deformable convolution中的offset是动态变换的。

Effective Receptive Field： 并不是所有的像素对于目标响应是相同的。在目标中间的像素贡献大点，有效感受野只占据理论感受野的一部分。理论上感受野大小随着卷积层的数量线性增加，但实际上是平方根线性增加，速度比预料要慢得多。这一发现说明了CNN顶层还是没有足够的接受野。侧面证明了扩张卷积为什么能够广泛应用于视觉任务。 可变形卷积可以自适应的接收野。

Atrous convolution： 扩张卷积能够在保持计算量和参数量的条件下扩展特征的感受野。Deformable Convolution可以看成是泛化的扩张卷积，我个人将Deformable convolution理解为学习不同方向上的扩张率。

Deformable Part Models (DPM)： DPM和Deformable RoI类似，两者都是目标部件的空间变形。DPM是一个浅层模型，变形能力受限。可通过距离转换认为是特定的池化操作，它的推理算法可使用CNN完成。但它的训练不支持端对端，是启发的。相比之下，Deformable ConvNet支持端对端，并且当堆叠的更多，建模能力变的更强。

DeepID-Net： 引入了变形约束池化层，可认为是对目标检测变形的考虑。这项工作可实现起来很复杂。

Spatial manipulation in RoI pooling： 空间金字塔池化使用手工池化区域。
Transformation invariant features and their learning： 设计特征不变变换是具有极大影响的。例如SIFT、ORB。同样在CNN背景下，有工作学习CNN内在不变的表示。有工作专门制定特征的变换。但这些变换都是先验的，在许多现实场景下，变换是未知的。而deformable convolution可以在任务中学习到各种变换。

---

Experiment

Task

Semantic Segmentation： 在PASCAL VOC和CityScapes上做了测试。使用mIoU度量。训练期间，VOC的短边大小调整到360，CityScapes短边调整到1024。使用SGD优化器，8GPU每个batch为1。VOC和CityScapes上各跑30k和45k次迭代，在初始的23$\frac{2}{3}$迭代使用学习率为10−3${10}^{-3}$，后13$\frac{1}{3}$迭代使用学习率为10−4${10}^{-4}$。

Object Detection： 使用PASCAL VOC和COCO数据集。 使用标准的mAP度量。在训练和推理期间，将短边调整到600，使用SGD优化器，class-aware RPN每张图片上使用256个RoI，Faster R-CNN和R-FCN使用256和128个。RoI Pooling使用7×7$7\times 7$bins。在VOC和COCO上训练迭代了30K和240K次，学习率依旧是在初始的23$\frac{2}{3}$迭代使用学习率为10−3${10}^{-3}$，后13$\frac{1}{3}$迭代使用学习率为10−4${10}^{-4}$。

Evaluation of Deformable Convolution

Table 1评估了deformable convolution的影响，使用ResNet101做特征提取层。使用deformable convolution越多，精度稳步上升。对于DeepLab和class-ware RPN使用3个deformable convolution改进达到了饱和。

为了更好明白deformable convolution的工作机理，论文定义了effective dilation度量有效滤波器。这是滤波器中所有相邻采样位置之间距离的平均值，用于测量滤波器的感受野。

论文依据GT bbox和滤波器中心位置，将可变形卷积分为4类：small, medium, large, and background。下表显示了有效扩张值的统计数据：

• 可变形卷积的接受野和目标大小相关，这表明形变是从内容上学习到的
• background目标的大小在medium和large之间，表明需要较大接收野来识别背景区域。

模型的ResNet在后三个卷积使用扩张率为2的扩张卷积，论文进一步尝试了4,6,8，结果如下：

这表明：

• 精度随着扩张率提升而提升，这表明了接收野小的问题。
• 不同任务的最佳扩张率不同，例如DeepLab为6， Faster R-CNN为4
• deformable convolution具有最佳的精度

Evaluation of Deformable RoI Pooling

在COCO上的结果如下：

可以看到加入deformable的效果都有所提升。

Model Complexity and Runtime

模型加入deformable convolution的模型复杂度和运行时间：

在参数和计算上增加的开销较小，这表明性能改进来自对几何变换建模的能力。

---

---

参考资料

Jifeng Dai-Deformable Convolutional Networks-MSRA COCO Detection & Segmentation Challenge 2017 Entry

---