CVPR 2019 论文解读 | 小样本域适应的目标检测

引文

​最近笔者也在寻找目标检测的其他方向，一般可以继续挖掘的方向是从目标检测的数据入手，困难样本的目标检测，如检测物体被遮挡，极小人脸检测，亦或者数据样本不足的算法。这里笔者介绍一篇小样本（few-shot）数据方向下的域适应（Domain Adaptation）的目标检测算法，这篇新加坡国立大学&华为诺亚方舟实验室的paper《Few-shot Adaptive Faster R-CNN》被收录于CVPR2019，解决的具体问题场景是我们有在普通常见场景下的汽车目标检测，我们只有少量雾天暴雨极劣天气环境下的汽车样本，那么我们可以使用成对采样（pairing-sampling）的方法，源域（source domain）即普通场景下的汽车样本\(Car_{s}\)和目标域（target domain）即恶劣天气下的汽车样本\(Car_{t}\)成对\((Car_s,Car_t)\)组成负样本，另一方面源域下成对组成正样本\((Car_s,Car_s)\)，使用GAN的结构，判别器（discriminator）尽可能去分辨正负样本的不同，也就是分辨出源域和目标域的样本，生成器（generator）是尝试去迷惑判别器。这就是这个算法的主要思想，主要是把域适应的思想应用到了目标检测上。

​论文源码还没完全开源，只找到了个官方的repo：https://github.com/twangnh/FAFRCNN

思考

在介绍文章具体网络设计和损失函数的设计之前，我们可以带着一个问题去思考。

1. 用GAN的结构，数据样本使用\(Car_s\)作为正样本、\(Car_t\)作为负样本也可以使判别器（discriminator）分辨出源域和目标域的样本，为什么这里要组成对的去训练？

算法设计

Fig 1. Few-shot Adaptive Faster R-CNN (FAFRCNN)的整体网络结构（其中的SMFR模块后面会介绍到）
在目标检测的任务中，论文作者把域适应问题分成**两个层次**：

• 1. 图像级别的域适应
• 1. 实例级别的域适应

具体可以看下面Fig2的第一行和第三行，图像级别下的域迁移是整体图像各个像素组成的域迁移，实例级别的域迁移是汽车样本下的域迁移。

Fig 2. 中间为两张来自Cityspaces和Foggy Cityspaces的图片。第一行为图像级别的域迁移，第三行为实例级别的域迁移。

图像级别的域适应

​图像级别的域适应（Image-level Adaptation） 是为了完成image-to-image的转换，论文提出了split pooling（SP）的方法，作用是为了随机放置grid，做法也是十分简单，grid cell的宽为w，高为h，然后随机生成sx和xy，grid根据sx和sy调整位置。

Fig 3. grid的选择
​得到grid之后，论文把grid与Faster R-CNN中选取anchor boxes一样，采取了三种scale和三种ratio，split pooling对应在提取的特征$f(x)$中也是有大（l）、中（m）、小（s）三种scale： $sp_l(f(x)),sp_m(f(x)),sp_s(f(x))$。

​后面就可以用对抗训练的方式训练生成器和判别器了，但是因为目标域的样本是小样本数据，所以这里提出了成对训练的方式，即源域对\(G_{s_1}={(g_s,g_s)}\)和源域-目标域对\(G_{s_2}={(g_s,g_t)}\)。判别器判断样本来源，生成器是特征提取器器目标是混淆判别器。

\[g_s\sim sp_kf(X_s),g_t\sim sp_k(f(X_T)),k=\{l,m,s\}
\]

\[L_{sp_{sd}}=-\mathbb{E}_{x\sim{G_{s1}}}[logD^{sp_s}(x)]-\mathbb{E}_{x\sim{G_{s2}}}[log(1-D^{sp_s}(x))]
\]

\[L_{im_d}=L_{sp_{sd}}+L_{sp_{md}}+L_{sp_{ld}}
\]

​另外论文在图像级别的域适应用了三个GAN，实用性不知道如何。

实例级别的域适应

​跟Faster R-CNN中不同的是：foreground ROIs要求更高的IOU阈值（比如原本IOU要求是0.5的，现在可能要0.7）。获得了ROI特征之后会根据ROI的label分组，源域目标特征是\(O_{is}\)，目标域目标特征为\(O_{it}\)，如果一共有C类，\(i\in[0,C]\)，第0类为背景，其实跟图像级别的成对方式一样，源域对\(N_{i1}=\{(n_{is},n_{is})\}\)和源域目标域对\(N_{i2}=\{(n_{is},n_{it})\}\)，其中\(n_{is}\sim O_{is},n_{it}\sim O_{it}\)，以下为域判别器的损失函数：

\[L_{ins_d}=\sum^C_{i=1}-\mathbb{E}_{x\sim N_{i1}}[logD^{ins}(x)_{i1}]-\mathbb{E}_{y\sim N_{i2}}[logD^{ins}(y)_{i2}]
\]

​以下为feature generator的损失函数：

\[L_{ins_g}=\sum^C_{i=1}-\mathbb{E}_{x\sim N_{i1}}[logD^{ins}(x)_{i2}]-\mathbb{E}_{y\sim N_{i2}}[logD^{ins}(y)_{i1}]
\]

源域模型特征正则化

​这个部分就是Fig 1中的SMFR模块，全称为Source Model Feature Regularization，他的作用是正则化源域模型，具体来说，就是源域样本\(x_s\)经过论文的域适应adaptation之后的特征提取器\(f_t\)和初始时拥有的仅有源域样本训练的特征提取器\(f_s\)要尽可能的一致，这样才能使模型更加鲁棒，文章用了L2正则。

\[L_{reg}=\mathbb{E}_{x_s\sim X_S}\frac{1}{wh}\Vert{f_s(x_s)-f_t(x_s)}\Vert^2_2
\]

​但是因为是目标检测模型，我们更关注的是图片的前景目标本身，所以我们要求的是源域样本\(x_s\)经过特征提取器之后的前景部分变化不大。

\[L_{reg}={E}_{x_s\sim X_S}\frac{1}{k}\Vert{f_s(x_s)-f_t(x_s)*M}\Vert^2_2
\]

​其中\(M\)为前景的mask，k为正例掩码位置的个数。

实验结果

实验中数据集采用以下5种：

• Scenario-1: SIM10K to Udacity (\(S\rightarrow U\));
• Scenario-2: SIM10K to Cityscapes (\(S\rightarrow C\));
• Scenario-3: Cityscapes to Udacity (\(C\rightarrow U\));
• Scenario-4: Udacity to Cityscapes (\(U\rightarrow C\));
• Scenario-5: Cityscapes to Foggy Cityscapes (\(C\rightarrow F\)).

以下都是采用AP作为对比评价指标。

Fig 4. 左边是SP技术在Scenario-1和Scenario-2的效果。右边是SP技术在Scenario-3和Scenario-4的效果。sp表示的是split pooling，ins表示加入实例级别的域适应，ft表示加入fine-tunning loss。
可以看出，在加入SP技术之后AP得到明显的提高，比**ADDA [1]**高了5个点。

Fig 5. 论文提出的方法在Scenario-5中的各个实例的AP指标对比
从UDA_setting中看到其实并不是全部都能取到最优成绩。

Fig 6. 引入pairing理论的效果

Fig 7. SMFR的效果

总结思考

​回答文首的问题，相信很多读者读完全文之后肯定也知道答案了，paper题目就是基于小样本学习方向的，其实需要成对训练的目的就是增加训练样本，如果源域样本\(Car_s\)有n个，目标域样本\(Car_t\)有m个（n>m），那么最后负样本的个数仅仅只有m个，因为是小样本，训练出来的效果也会十分的差。但是如果成对训练（pairing-sampling），正样本为\((Car_s,Car_s)\)，理论上样本数量为\(n^2\)，为s负样本为\((Car_s,Car_t)\)，理论上样本数量为\(n*m\)，虽然经过这样笛卡尔积之后的正负样本比没有变，但是负样本数量却是增多了。这也是整篇文章的主要思想，pairing-sampling的去训练。

参考文献

• [1]. Eric Tzeng, Judy Hoffman, Kate Saenko, and Trevor Darrell. Adversarial discriminative domain adaptation. In Computer Vision and Pattern Recognition (CVPR), volume 1, page 4, 2017.