TTFNet | 最大程度提高训练效率的实时目标检测（附源码）

在目标检测模型的training time, inference speed, 和accuracy之间寻找trade off，重点关注如何在保持另外两个指标的情况下，减少模型的训练时间。 启示： 1、单纯的数据扩增能增加数据数量，但也会降低数据质量，导致需更多的训练时间才会收敛； 2、根据Linear Scaling Rule，学习率与batchsize一般情况下呈线性正比，增加高质量的sample也能起到类似batchsize的作用，从而可以提高学习率，缩短模型训练时间； 3、在精度方面，实验显示res18下与CenterNet都在COCO上达到了28.1的mAP，但0.5的mAP比CenterNet低了1个点左右，0.75的mAP比CenterNet高了0.6个点，所以猜测TTFNet可能检测出的bbox更加紧凑，因此提高了mAP。

关注并星标

从此不迷路

计算机视觉研究院

计算机视觉研究院

长按扫描维码关注我们回复“TTFNet” 获取论文

计算机视觉研究院

简要

现在目标检测器很少能同时实现训练时间短，推理速度快，精度高。为了达到平衡，作者就提出了Train-Friendly Network(TTFNet)。作者从light-head, single-stage, and anchor-free设计开始，这使得推理速度更快。然后作者重点缩短训练时间。

我们注意到，从注释框中编码更多的训练样本与增加批处理大小具有相似的作用，这有助于扩大学习速率和加速训练过程。为此作者就介绍了一种利用高斯核对训练样本进行编码的新方法。此外，为了更好地利用信息，还设计了主动样本权重。在MSCOCO上的实验表明，TTFNet在平衡训练时间、推理速度和精度方面具有很大的优势。它比以前的实时检测器减少了7倍以上的训练时间，同时保持了最先进的性能。此外，super-fast版本的TTFNet-18和TTFNet-53可以分别是SSD300和YOLOv3的训练时间不到十分之一。

历史回顾&背景

目标检测器的精度，推理速度，训练时间等方面都得到了广泛关注和不断提高。然而，很少工作可以在它们之间取得良好的平衡。直观地说，推理速度较快的检测器应该有较短的训练时间。然而，事实上大多数实时检测器比非实时检测器需要更长的训练时间。高精度检测器可以大致分为两种类型之——它们的推理速度慢，而且需要大量的训练时间。

第一类网络（Huang, L.; Yang, Y.; Deng, Y.; and Yu, Y. 2015. Densebox: Unifying landmark localization with end to end object detection.）一般依靠heavy检测头或复杂后处理。虽然这些设计有利于精度的提高和快速收敛，但它们显著降低了推理速度。因此，这种类型的网络通常不适合实时应用。

为了加快推理，研究人员努力简化检测头和后处理，同时保持准确性(Zoph, B., and Le, Q. V. 2017. Neural architecture search with reinforcement learning.)。在最近的一项名为CenterNet的研究中，推理时间进一步缩短，几乎与主干网络消耗的时间相同。然而，所有这些网络不可避免地需要很长的训练时间。这是因为这些网络由于简化而难以训练，使得它们在很大程度上依赖于数据增强和较长的训练时间。例如，CenterNet需要在公共数据集MSCOCO上进行140个epochs训练。相比之下，第一类网络通常需要12个epochs。

动机

根据Linear Scaling Rule，可以通过增大batchsize提高learning rate，然而仔细分析SGD的公式，我们也可以通过增加高质量的正样本个数来起到同样的作用。也就是不仅可以增大n，也可以增大m。

回顾随机梯度下降(SGD)的公式，权重更新表达式可以描述为：

至于目标检测，图像x可以包含多个注释框，这些框将被编码到训练样本s∈Sx。Mx=|Sx|表示图像x中所有框产生的样本数，因此上公式可以表述为：

为了简化，假设mx对于小批量B中的每个图像x是相同的。关注个体训练样本s，上式可以改写为：

线性缩放规则是在经验中发现的，如果批处理大小乘以k，则学习速率应该乘以k，除非网络正在迅速变化，或者采用非常大的mini-batch批处理。也就是说，用小的mini-batch Bj和学习速率η执行k迭代基本上相当于用大的mini-batch ∪j∈[0，k)Bj和学习速率kη执行1迭代，只有当我们可以假设：

这个条件通常是在大规模的真实世界数据下满足的。

较大的学习速率不能帮助CenterNet更快地收敛，并且删除数据增强会导致性能变差。根据上面的结论，我认为这是因为CenterNet在训练过程中只在目标中心编码一个单一的回归样本。这种设计使得CenterNet在很大程度上依赖于数据增强和较长的训练时间，导致不友好的训练时间。

为了减少网络对数据增强的依赖，同时减少训练时间，我认为需要更好的编码回归样本的策略。在这一动机的指导下，作者提出新的方法，在 ablation研究中进行更全面的实验可以进一步验证新方法的优越性。

新方法

TTFNet的体系结构如上图所示。在实验中使用ResNet和DarkNet作为主干网络。主干网络提取的特征被采样到原始图像的1/4分辨率，这是通过Modulated Deformable Convolution(MDCN)和上采样层实现的。在MDCN层之后是批归一化(BN)和ReLU。上采样的特征然后分别通过两个头部为不同的目标。

检测头在物体中心附近的位置产生高激活，而回归头直接预测从这些位置到box四面的距离。由于目标中心对应于特征映射处的局部最大值，因此可以在2D最大池的帮助下安全地抑制非最大值。然后利用局部最大值的位置来收集回归结果。

最后，可以得到检测结果。新提出的方法有效地使用了大中型目标中包含的注释信息，但对于包含很少信息的小目标，推广是有限的。为了在较短的训练计划中提高小目标的检测性能，添加了shortcut connections来引入高分辨率但低级别的特征。shortcut connections从主干的2级，3级和4级引入特征，每个连接由3×3卷积层实现。第二、第三和第四阶段的层数设置为3、2和1，除了shortcut connections中的最后一层外，ReLU遵循在每个层。

对比CenterNet，主要在以下两方面进行改进：

center localization

对于Center点的位置回归，两个方法都用到了高斯核来增加正样本的数量，也都用到了Focal Loss。但是CenterNet核CornerNet一样，高斯核里的参数sigema只和bbox的面积有关，没有充分考虑bbox的纵横比，而TFFNet为长和宽分别设置了sigema，从而更加合适。