本文转载自52cv
在 CVPR 2020 Workshop 举办的 NightOwls Detection Challenge 中，来自国内团队深兰科技的 DeepBlueAI 团队斩获了“单帧行人检测”和“多帧行人检测”两个赛道的冠军，以及“检测单帧中所有物体”赛道的亚军。
竞赛的主要目的是进行夜间行人或物体检测，是许多系统，尤其是自动驾驶汽车安全可靠的关键之一。众所周知，熊猫智能公交车是深兰科技自动驾驶核心产品，自2019年获得了广州、长沙、上海、武汉的自动驾驶测试牌照后，今年5月又成功摘得深圳智能网联汽车道路测试牌照。此次冠亚军方案，将与白天行人检测结合，打造适用于不同天气条件的全天候行人检测系统，并有望在熊猫智能公交上进行应用，为其安全行驶保驾护航。
深兰科技坚持以“人工智能，服务民生”为理念，响应国家政策号召，深刻洞察民众痛点和需求，致力于把高质量的人工智能产品和解决方案带给更多的社会大众，以匠心研发的熊猫智能公交车将作为智能城市公共交通领域的“新基建”，用于提升公众出行新体验。
以下将为大家介绍 DeepBlueAI 团队的解决方案。
NightOwls 检测挑战赛简介
检测 RGB 摄像机拍摄的夜间场景图片中的行人，是一个非常重要但是未被充分重视的问题，当前最新的视觉检测算法并不能很好地预测出结果。官方 baseline 在 Caltech（著名行人检测数据集）上的 Miss Rate（越小越好）可以达到 7.36%，但在夜间行人数据集上却只能达到 63.99%。
夜间行人检测是许多系统（如安全可靠的自动驾驶汽车）的关键组成部分，但使用计算机视觉方法解决夜间场景的检测问题并未受到太多关注，因此 CVPR 2020 Scalability in Autonomous Driving Workshop 开展了相应的比赛。
NightOwls Detetection Challenge 2020 共有三个赛题：单帧行人检测（该赛题与 2019 年相同）、多帧行人检测，以及检测单帧中所有物体（包括行人、自行车、摩托车三个类别）：
- Pedestrian Detection from a Single Frame (same as 2019 competition)
- Pedestrian Detection from a Multiple Frames
- All Objects Detection (pedestrian, cyclist, motorbike) from a Single Frame
赛题介绍
夜间行人数据集示例
Track 1: Pedestrian detection from a single frame
该任务只要求检测行人（对应 Ground truth 中 category_id = 1 的行人类别），且所用算法只能将当前帧用作检测的输入，该题目与 ICCV 2019 NightOwls 挑战赛相同。
Track 2: Pedestrian detection from multiple frames
该任务的要求与任务 1 相同，都是只检测行人，但是该任务允许使用当前帧以及所有先前帧 (N, N-1, N-2, …) 来预测当前帧的行人。
这两个任务的数据集由 279000 张全注释的图片组成，这些图片来源于欧洲多个城市黎明和夜间的 40 个视频，并涵盖了不同的天气条件。
模型效果评估使用的是行人检测中常用的指标Average Miss Rate metric，但是仅考虑高度 > = 50px 的非遮挡目标。
Track 3: All Objects Detection (pedestrian, cyclist, motorbike) from a Single Frame
该任务要求检测出帧里所有在训练集中出现过的类别，包括自行车、摩托车，并且不允许使用视频序列信息。
赛题难点
这次比赛的主要难点包含以下几个方面：
- 运动模糊和图像噪点
与常规检测数据集不同，该竞赛考虑到实际驾驶情况，所用数据是在车辆行进过程中采集的，所以当车速较快或者有相对运动的时候会产生持续的运动模糊图像。并且由于摄像头是普通的RGB相机，因此在光线较弱的环境下收集的图片质量大幅度下降，这也是影响模型效果的主要原因。
- 对比度差异大，色彩信息少
这是由于收集数据主要来自于夜间环境所导致的必然结果，所以在进行数据增强的时候需要谨慎，不同增强方式会造成较大的影响。
- 不同的数据分布
该比赛的数据集涵盖了不同的城市和天气，之前常用的行人检测数据集一般未同时满足这两个条件。该数据具有多样性，且与常用数据集的数据分布存在较大差异。该比赛数据集与常用于训练预训练模型的数据集（如 COCO 数据集、OBJ365）的数据分布存在很大的不同，因此对基于常用数据集预训练的模型进行 fine-tune 的效果不如预期。
DeepBlueAI 团队解决方案
DeepBlueAI 团队在单帧行人检测和多帧行人检测两个赛道中取得了冠军成绩，在检测单帧中所有物体赛道中获得了亚军。
就检测器而言，该团队首先通过常规检测所累积的经验构造出一个 baseline：
Baseline = Backbone DCN FPN Cascade anchor ratio (2.44)
这些模块早已是各个比赛的「常客」，也被许多专业人士进行了比较透彻的分析，此处不再赘述。DeepBlueAI 团队进行了简单的实验，发现这些模块总是有用，进而将这套算法作为 baseline，加上一些行人检测的小 trick，如将 anchor ratio 改为 2.44、针对标注为 ignore 的目标在训练过程中 loss 不进行回传处理。
具体主要工作包含以下几个方面：
1. Double Heads
通过观察实验发现，baseline 将背景中的石柱、灯柱等物体检测为行人，这种情况大多和 head 效果不好有关。该团队基于此进行了实验，如 TSD [7]、CLS [8]、double head [9]，并最终选择了效果好且性价比高的 double head 结构（如下图所示）：
Double Heads 结构
通过对比实验可以发现：使用 FC-head 做分类、Conv-head 做回归，可以得到最好的效果。
分类更多地需要语义信息，而坐标框回归则更多地需要空间信息，double head 方法采用分而治之的思想，针对不同的需求设计 head 结构，因此更加有效。当然这种方法也会导致计算量的增加。在平衡速度和准确率的情况下，该团队最终选择了 3 个残差 2 个 Non-local 共 5 个模块。
2. CBNet [10]
合并功能更强大的 backbone 可提高目标检测器的性能。CBNet 作者提出了一种新颖的策略，通过相邻 backbone 之间的复合连接 (Composite Connection) 来组合多个相同的 backbone。用这种方式他们构建出了一个更强大的 backbone，称为「复合骨干网络」(Composite Backbone Network)。
当然这也带来了模型参数大小和训练时间的增加，属于 speed–accuracy trade-off。该团队也尝试过其他的改进方式，但最终还是选择了实用性更强的 CBNet，该方法不用再额外担心预训练权重的问题。
该团队选择了性价比较高的双 backbone 模型结构。
3. 数据增强
该团队发现 Pixel-level 的增强方式导致了性能结果大幅下降，因此没有在这个方向继续尝试。
而图像增强方式 Retinex，从视觉上看带来了图像增强，但是该方法可能破坏了原有图片的结构信息，导致最终结果没有提升。
于是，该团队最终选择了 Spatial-level 的增强方式，使得结果有一定的提升。
实验细节
1. 将 Cascade rcnn DCN FPN 作为 baseline；
2. 将原有 head 改为 Double head；
3. 将 CBNet 作为 backbone；
4. 使用 cascade rcnn COCO-Pretrained weight；
5. 数据增强；
6. 多尺度训练 Testing tricks。
实验结果
下图展示了该团队使用的方法在本地验证集上的结果：
该团队将今年的成绩与去年 ICCV 2019 同赛道冠军算法进行对比，发现在不使用额外数据集的情况下，去年单模型在 9 个尺度的融合下达到 11.06，而该团队的算法在只用 2 个尺度的情况下就可以达到 10.49。
未来工作
该团队虽然获得了不错的成绩，但也基于已有的经验提出了一些未来工作方向：
1. 由于数据的特殊性，该团队尝试使用一些增强方式来提高图片质量、亮度等属性，使图片中的行人更易于检测。但结果证明这些增强方式可能破坏原有图片结构，效果反而降低。该团队相信会有更好的夜间图像处理办法，只是还需要更多研究和探索。
2. 在允许使用之前帧信息的赛道二中，该团队仅使用了一些简单的 IoU 信息。由于收集这个数据集的摄像头一直在移动，该团队之前在类似的数据集上使用过一些 SOTA 的方法，却没有取得好的效果。他们认为之后可以在如何利用时序帧信息方面进行深入的探索。
3. 该领域存在大量白天行人检测的数据集，因此该团队认为之后可以尝试 Domain Adaption 方向的方法，以充分利用行人数据集。
参考文献：
[1] Lin T Y , Dollár, Piotr, Girshick R , et al. Feature Pyramid Networks for Object Detection[J]. 2016.
[2] Dai J, Qi H, Xiong Y, et al. Deformable Convolutional Networks[J]. 2017.
[3] Cai Z , Vasconcelos N . Cascade R-CNN: Delving into High Quality Object Detection[J]. 2017.
[4] Xie S , Girshick R , Dollar P , et al. Aggregated Residual Transformations for Deep Neural Networks[C]// 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). IEEE Computer Society, 2017.
[5] Bochinski E , Eiselein V , Sikora T . High-Speed tracking-by-detection without using image information[C]// 2017 14th IEEE International Conference on Advanced Video and Signal Based Surveillance (AVSS). IEEE, 2017.
[6] Henriques J F , Caseiro R , Martins P , et al. High-Speed Tracking with Kernelized Correlation Filters[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2015, 37(3):583-596.
[7] Song G , Liu Y , Wang X . Revisiting the Sibling Head in Object Detector[J]. 2020.
[8] Li A , Yang X , Zhang C . Rethinking Classification and Localization for Cascade R-CNN[J]. 2019.
[9] Wu, Y., Chen, Y., Yuan, L., Liu, Z., Wang, L., Li, H., & Fu, Y. (2019). Rethinking Classification and Localization in R-CNN. ArXiv, abs/1904.06493.
[10] Liu, Y., Wang, Y., Wang, S., Liang, T., Zhao, Q., Tang, Z., & Ling, H. (2020). CBNet: A Novel Composite Backbone Network Architecture for Object Detection. ArXiv, abs/1909.03625.
