论文基于NLP的注意力机制提出了目标关系模块，通过与其它目标的比对增强当前目标的特征，而且还可以代替NMS进行端到端的重复结果去除，思想十分新颖，效果也不错

 

来源：晓飞的算法工程笔记 公众号

论文: Relation Networks for Object Detection

• 论文地址：https://arxiv.org/abs/1711.11575


• 论文代码：https://github.com/msracver/Relation-Networks-for-Object-Detection

Introduction

---

  当前大多数目标检测算法仍专注于单独识别目标，没有尝试在训练时挖掘目标之间的关系，受限于当前简单的网络结构，无法对无规律的目标关系进行建模。参考自然语言处理中的注意力机制，论文提出了用于目标检测的自适应注意力机制 -- 目标关系模块(object relation module)，学习目标间的关系来增强特征以及去除重复结果。

  检测目标有2D空间分布和不同的长宽比，比文本的场景要复杂些，所以论文拓展了NLP的注意力权重，分为两个权重：

• 基于目标特征产生的权重，跟NLP权重类似。


• 基于目标相对几何位置产生的权重，相对几何位置保证平移不变性。

  目标关系模块接收可变输入并行计算，是可微的in-place操作，可作为基础构建block嵌入到任意目标检测算法中，嵌入方式如图1所示，用于目标识别部分以及重复目标去除：

• 目标识别部分(instance recognition)：利用目标关系模块，联合所有的检测目标来进行特征增强，再进行后续的识别。


• 重复目标去除(du-plicate remova)：在识别完成后，常规的做法使用NMS进行重复目标的去除，而论文使用轻量级网关系网络进行该做法的替换。

Object Relation Module

---

  常规的注意力机制为ScaledDot-Product Attention，计算为：

  给定查询目标$q$，计算与其它目标$K$的相似度，然后softmax归一化为权重，最后乘以各向量的值$V$得到加权后的特征，这3个值一般都是对目标特征进行embedding得到的。

  对于目标检测中的相似性计算，每个目标包含几何特征$f_G$和外观特征$f_A$，给定$N$个目标${(f^n_A, f^n_G)}N_{n=1}$，可计算每个目标相对于其它目标的关系特征(relation feature)$f_R(n)$：

  关系特征实际为所有目标的外观特征的加权和，$W_V$为线性变化，相当于将外观特征embedding为公式1的值$V$。权值$w^{mn}$表明其它目标相对于当前目标的重要性，计算方法为：

  公式3实际上等同于公式1中的softmax，唯一不同的是除了外观权值$w^{{mn}_A$，还额外使用几何权值$w}{mn}_G$进行加权。

  外观权值$w^{mn}_A$的计算跟公式1的softmax括号内的计算一样，具体为：

  $W_K$和$W_Q$同样为线性变化，分别将对比目标和当前目标的外观特征embedding成公式1的$K$和$Q$，embedding后的特征维度为$d_k$。

  几何权值$w^{mn}_G$的计算为：

  几何特征一般就是简单的四维bbox，所以公式5在计算几何权值包含两个步骤：

• 将当前目标和对比目标的几何特征通过$\varepsilon_G$embedding成高维特征，为了保证平移和尺寸不变性，几何特征转为相对值$(log(\frac{|x_m-x_n|}{w_m}), log(\frac{|y_m-y_n|}{h_m}), log(\frac{w_n}{w_m}), log(\frac{h_n}{h_m}) )$，embedding方法跟Attention Is All You Need里的位置编码一样，使用正弦函数和余弦函数。


• 使用$W_G$将高维几何特征转换为标量权值，小于0时设为0。

  论文在几何特征的使用上也尝试了其它方法：1) none，直接将$w^{mn}_G$设为1.0计算权值，即不使用。 2) unary，将高维几何特征直接与外观特征融合，然后跟none一样计算权值。实验部分的表1有相关的结果对比，论文选择的公式5加权方法比较有效。

  在实现时，类似于multi-head attention，一个目标关系模块(object relation module)包含$N_r$个关系特征，每个特征的维度为输入特征$f^m_A$的$\frac{1}{N_r}$，图2可能会有一点问题，几何特征写了两个，但是外观特征只写了一个，大家根据公式理解就好，最后通过相加对输入目标的外观特征进行增强：

  目标关系模块的计算逻辑如算法1所示，其空间复杂度和时间复杂度为：

  一般而言，目标关系模块的整体计算量不会很大，而且输出特征的维度和输入特征的维度一致，可作为基础构建block嵌入到任何网络中。

Relation Networks For Object Detection

---

  论文主要讨论将目标关系模块嵌入到region-based目标检测网络中，region-based目标检测网络一般包含四个步骤：1) 通过主干网络生成整图特征 2) 生成候选框的区域特征 3) 进行各实例识别和调整 4) 去除重复的检测结果，目标关系模块的嵌入主要在步骤3和步骤4。

Relation for Instance Recognition

  目标分类和目标回归一般使用两个1024维全连接层对目标的RoI池化特征进行处理：

  目标关系模块可直接增强所有目标的1024维，不改变特征的维度，不仅可以在任意位置插入，还可以多次堆叠：

  $r_1$和$r_2$为目标关系模块重复的次数，添加目标关系模块能够目标特征，提高识别的准确率，公式10的可视化如图a所示。

Relation for Duplicate Removal

  去除重复目标这个任务本身就需要穷尽目标间的关系，比如启发式的NMS，高分目标可抹去其附近的低分目标。尽管NMS十分简单，但其去重的方式并不总是最优的，为此，论文采用目标关系模块去除重复目标。

  如图b所示，输入目标的分数、1024维外观特征以及几何特征，重复目标去除包含以下几个步骤：

• 对目标分数进行名次的转换，采用几何特征的embedding方式将分数转换成128维特征，将外观特征降维为128维特征，将两个特征相加。


• 跟前面描述的目标关系模块一样与其它目标计算，输出关系特征。


• 通过线性变化$W_s$和sigmoid函数输出概率$s_1\in [0, 1]$，对原分数进行加权。


• 分数高于阈值的即为最终的结果。

  在训练时直接对最终的分数使用交叉熵损失迭代，虽然大部分的目标都是重复的，但由于其最终分数都很小，所以不会对网络造成很大的偏差。而在推理时，先按分类的分数过滤一轮，这样能减轻计算量，论文实测大约增加2ms，相对的，NMS和SoftNMS增加5ms左右。

Experiments

---

  各位置设置的对比实验。

  重复目标去重效果对比。

  在各网络中的效果对比，分别对比2fc+SoftNMS、2fc+RM+SoftNMS和2fc+RM+e2e的效果。

Conclusion

---

  论文基于NLP的注意力机制提出了目标关系模块，通过与其它目标的比对增强当前目标的特征，而且还可以代替NMS进行端到端的重复结果去除，思想十分新颖，效果也不错。

 

 

 

如果本文对你有帮助，麻烦点个赞或在看呗～

更多内容请关注 微信公众号【晓飞的算法工程笔记】