Learning When and Where to Zoom with Deep Reinforcement Learning
2020-03-03 14:47:08
Paper: https://arxiv.org/pdf/2003.00425.pdf
Related work: "Efficient object detection in large images using deep reinforcement learning." Uzkent, Burak, Christopher Yeh, and Stefano Ermon. In The IEEE Winter Conference on Applications of Computer Vision, pp. 1824-1833. 2020.
1. Background and Motivation:
本文提出一种基于强化学习的方法来自动放大图像，从局部来处理超大型的图像，例如遥感数据。本文主要是从节省计算资源的角度来看的，即：尽可能少的使用高分辨率的信息，并且达到和使用高分辨率图像类似的效果。主要是提出了一种称为 PatchDrop 的方法，这是一种自适应采样的机制，仅仅从 HR image 上采样出一些图像块，如图 1b 所示。
PatchDrop 利用输入图像的低分辨率版本来训练一个 agent，并且在需要的时候才去采样 HR patches。这样的话，agent 要学习 when and where 来放大局部图像来采样出 HR patches。
2. Problem Statement:
本文将 PatchDrop framework 建模成 two step episodic Markov Decision Process (MDP)，如图 2 所示，作者用圆表示随机变量，用方块代表动作，用菱形代表示例。作者将高分辨率的图像划分为多个不重叠的子区域 $x_h$。与传统 cv 的设定不同，这里的 $x_h$ 是隐藏的，即：not observed by the agent。y 代表与 $x_h$ 相关的种类随机变量。$x_l$ 是 $x_h$ 的分辨率的版本。$x_l$ 刚开始被 agent 观测到来选择 binary action array $a_1$，其中 $a^p_1 = 1$ 代表 agent 将会采样 HR 图像的 第 p 个 patch。作者定义图像块采样策略模型参数化为 $ heta_p$：
其中，π 是一个将 LR image 映射到 patch sampling action a1 的概率分布。接下来，用 $a^p_1, x^p_h$ 来构成 random variable masked HR image, 掩码操作是：
第一步的 MDP 可以建模成随机变量 $x_h, y, x_h^m, x_l$ 以及 动作 $a_l$ 的联合概率分布：
第二步的 MDP，agent 观测到随机变量 $x_l^m$ 和 $x_l$，然后选择一个动作 a2。然后定义一个分类预测策略：
其中 π2 代表分类器网络，并且参数化为 $ heta_{cl}$。总的学习目标，J 定义为：最大化期望 R：
其中，utility 依赖于 a1, a2, 以及 y。如果 agent 选择大量的 HR patches，就会得到惩罚; and includes a classification loss evaluating the accuracy of a2 given the true label y。
3. Proposed Solution：
3.1. Modeling the Policy Network and Classifier
在第一个 MDP 中，the policy network fp，在观测到 xl 之后，输出所有 action 的概率。在本文中，作者建模策略网络的动作似然函数 fp，通过将单独的 HR patch 选择的概率，表示为 patch-specific Bernoulli distributions 如下：
其中，sp 代表预测向量，表示为：
为了得到概率值， sp，作者在最后一层后面加上一个 sigmoid function。
另外一个动作的集合 a2，是根据分类器选择的，$f_{cl}$，利用采样到的 HR image 和 LR input $x_l$。分类器的上一个分支利用采样到的 HR images；另一个分支利用 LR image，如图 3 所示。每一个分支输出一个概率分布。然后，作者利用预测的加权平均得到融合之后的值：
其中，S 代表采样到的 patches 的个数。
3.2. Training the PatchDrop Network:
在定义了 two step MDP，并且建模了 policy network 和 classifier networks，作者对 PatchDrop 进行了更加细节的描述。训练的目标是学习最优的 $ heta_p$ and $ heta_{cl}$。由于 actions 是离散，无法使用 重采样的技巧来优化目标。为了优化 fp 的 $ heta_p$，作者需要利用 model-free RL 算法，例如 Q-learning, Policy gradient。作者将 REINFORCE 方法用于网络的训练：
蒙特卡洛采样产生了期望值的无偏估计来进行平均化，但是方差较大。作者将公式 8 中 $R_{a1, a2, y}$ 替换为 advantage function 来降低方差：
Pre-training the Classifier:
Pre-training the Policy Network:
Finetuning the Agent and HR Classifier:
Finetuning the Agent and HR Classifier:
4. Experiments:
