TTFNet | 实时目标检测效率提升方案

作者：Edison_G

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