论文提出CoAE少样本目标检测算法，该算法使用non-local block来提取目标图片与查询图片间的对应特征，使得RPN网络能够准确的获取对应类别对象的位置，另外使用类似SE block的squeeze and co-excitation模块来根据查询图片加强对应的特征纬度，最后结合margin based ranking loss达到了state-of-the-art，论文创新点满满，值得一读
论文:One-Shot Object Detection with Co-Attention and Co-Excitation
Introduction
论文认为，人类能够在图片中找出模版对应的物体，是因为人类具备将像素分组，提取独特特征比对以及专注定位的能力。因此，论文希望提出一个具备人类视觉功能的网络来解决one-shot目标检测的问题，给予网络一张未见过的查询模版(query image)，然后在目标图片(taget image)中找出其位置。论文提出的one-shot目标检测算法的特征主要来自两种上下文信息：
- 目标图片能够提供空间上下文，对比其它前景物体和背景来找出特殊对象的位置
- 目标图片和查询图片能够提供类别上下文，而确切的类别层次则是由模版和目标对象的相同属性(颜色，纹理，形状等)决定的
度量学习(Metric learning)是one-shot分类问题的关键，但不能直接简单地将学习到的度量方法应用到one-shot目标检测中，因为检测器需要先知道哪块区域最有可能包含目标才能进行比较。另外，目标追踪可以认为是少样本目标检测的一个特殊案例，区别在于，少样本目标检测的目标图片中不一定包含查询图片，并且允许图片之间存在明显的外观差异，只要他们有公共的特征进行归类即可。论文推出新的机制squeeze and co-excitation(CoAE)来同时强化新类别对象在查询图片和目标图片上的特征，实验证明，CoAE框架能更好地发掘空间和类别上下文信息，带来很好的性能提醒
Our method
定义数据集的类别标签集合为$C$，进一步将其分为$C=C_0 cup C_1$，分别用于训练和测试。少样本目标检测的流程定义为，给予查询图片$p$，为$C_1$集合的一个类别对象，测试就是查找目标图片$I$所有对应的对象，假设每张可用的图片包含至少一个查询对象
论文的主要架构如1，主要包含4个部分，分别是前面的基础特征提取，然后是Non-local feature的提取，用于提取共同特征，接着是论文提出的squeeze and co-excitation(CoAE)模块，用于强化目标channel，最后是metric模块，用于最好的分类
Non-local object proposals
定义训练集为$D$，包含$C_0$类别的bbox，论文采用Faster R-CNN架构进行检测，这会带来一个基础问题，即RPN能否检测出未训练过的类别($C_1$)的bbox。由于$C_1$类别与$C_0$类别可能存在十分明显的区别，因此，RPN不一定能检测出$C_1$的bbox。为了解决这个问题，论文引入non-local operation来优化卷积特征，non-local operation是一种类似attention的操作，能够根据参考输入来强化目标输入上的特征分布，具体可以看 Non-local neural networks
让$I$为目标图片，$p$为查询图片，目标图片的主干网络输出为$phi(I) in mathbb{R}^{N imes W_I imes H_I}$，查询图片的输出为$phi(p)in mathbb{R}^{N imes W_p imes H_p}$。将$phi(p)$作为参考输入，$phi(I)$的non-local block输出为$varphi(I;p)in mathbb{R}^{N imes W_I imes H_I}$，同样的，以$phi(I)$作为参考输入，可以得到$phi(p)$的$varphi(p;I)in mathbb{R}^{N imes W_p imes H_p}$，$I$和$p$之间的相互non-local operations可以认为进行co-attention机制
两个扩展的特征图可以表示为公式1和公式2，$igoplus$是element-wise sum。由于$F(I)$不仅包含了目标图片的特征，还包含了$I$和$p$加权特征，所以将RPN接在这层特征上能够发现更多关于查询图片$p$的信息，从而获取更高质量的bbox，即non-local region proposals更适合少样本目标检测
Squeeze and co-excitation
除了关联region proposals和查询图片外，co-attention机制产生了channel数一样的两组特征$F(I)$ $F(p)$，而这两组特征可以通过论文提出的squeeze-and-co-excitation(SCE)来根据查询图片$p$对N个channel进行自适应重新加权。具体地，squeeze步骤通过GAP(global average pooling)概括了每一个特征图，而co-excitation则同时对$F(I)$和$F(p)$进行channel纬度的特征加强，重点加强对最后相似度度量有用的特征。在squeeze层和co-excitation层之间，放置了两个fc/MLP层，跟SE block设计一样
SCE operation如公式3，$ ilde{F}(p)$和$ ilde{F}(I)$为重新加强后的特征图，$win mathbb{R}^N$是co-excitation向量，而$igodot$表示element-wise product
通过公式3，查询图片$p$可以表示为公式4，同样RPN提取的区域特征$r$可以同样得出，例如对$ ilde{F}(I)$的裁剪区域进行channel-wise的GAP
Proposal ranking
论文设计了一个两层MLP网络M，以二分类softmax结尾，RPN根据查询图片$p$选出K个bbox，K一般为128。在训练阶段，K个bbox会根据IoU是否大于0.5分成前景(label 1)和背景(label 0)，接着使用margin-based ranking loss来指导度量学习，使得最相关的bbox出现在bbox列表的前面。因此，论文将每个bbox的特征向量$r$分别和查询图片特征$r$进行concatenate，标记为$x=[r^T; q^T]in mathbb{R}^{2N}$，网络M的层输出分布$2N ightarrow 8 ightarrow 2$
论文定义margin-based ranking loss为公式5，$s=M(x)$为前景的预测的置信度，$[ cdot ]$为Iverson bracket，括号内为true则输出1，否则输出0，$m+$为前景的下限，$m-$为背景的上线，在实际中，一般分别设为0.7和0.3
margin-based loss分为两部分，前部分为限制前景和背景的置信度，前景必须大于0.7，背景必须小于0.3，否则产生loss。而另一部分$Delta$则是ranking的loss，初始的顺序是根据RPN的置信度输出。这里可以看出，论文没有设定真正意义的先后顺序，而是限制了正负样本间的置信度差，同类别样本间置信度差要小于0.3，而不同类别样本间置信度差则要大于0.7
最后的总loss如公式7，前两个loss为交叉熵和Faster R-CNN的回归loss
Experiments
Datasets and hyperparameters
Table1展示了VOC上的seen和unseen类别，而在COCO上，则对80个类进行4等分，然后随机选取3个作为seen类别，剩下一个为unseen类别，如图2所示。训练使用SGD优化器，momentum为0.9，训练10个周期，batch size为128，使用8块v100，学习率为0.01，每4个周期下降10倍，margin-based ranking loss的$lambda=3$
Generating target and query pairs
对于VOC，直接裁剪gt bbox作为查询图片，而对于COCO，由于目标太小且对于人也太难辨认，不能直接裁剪，因此，使用预训练的Mask R-CNN去掉过小和过难的目标。另外，实验仅使用Mask R-CNN检测出来的GT。在训练时，对于目标图片，随机获取图片上的seen类别作为查询图片。而在测试时，先使用图片ID作为种子，随机打乱查询图片的顺序，然后选取前五个查询图片，最后计算mAP。打乱顺序能保证获取的5个查询图片上随机的，从而保证验证结果上准确的
ImageNet pre-training
为了保证实验的严格性，使用缩减后的ImageNet对ResNet-50进行重新训练，将COCO-related ImageNet类别去掉，大约933052张图片，剩下725类，精度top-1 75.8%，完整的ImageNet包含1284168张图片，共1000类
Overall performance
对于VOC，Table1中可以看到，使用缩减的数据集训练的模型依然优于baseline模型，而使用完整的数据集训练的模型则是性能有很明显地提升。unseen类别性能比seen类别好，这是由于部分类别的对象差异较大，比如plant, bottle, chair
对于COCO，Table2中可以看出，论文的模型在seen类别和unseen类别上优于Siamese Mask-RCNN
Ablation studies
- Co-attention, co-excitation, and margin-based ranking loss
论文研究了不同的策略的共享，如Table3。首先，不使用Co-attention和Co-excitation的模型表现最差，而分别单独加入non-local RPN和SCE在VOC和COCO上能分别能带来6.3/4.4mAP和9.8/8.2AP(%)提升，同时加入则分别进一步带来0.9/1.8mAP(%)和0.3/1.9AP(%)提升，这意味着co-attention和co-exciation对性能表现都很关键，而margin-based ranking loss也是很重要的
- Visualizing the distribution of non-local object proposals
为了分析non-local bbox的性能，将bbox分布以heatmap方式可视化， 如Figure3，co-attention模块让RPN更专注于查询图片的相似区域
- Visualizing the characteristics of co-excitation
为了分析co-excitation机制是否学习到了不同类别的权重分布，论文收集了测试时不同类别的查询图片的co-excitation权重，最后对其求平均得到类别的单一向量，再用欧式距离计算类别单一向量间的距离。从图4的结果可以看出，co-excitation模块学习到了有意义的权重分布，相似的物体的向量距离比较近，而person类别则远离其它所有类别，表明person类别的权重与其它类别基本不同
- Analyzing the co-excitation mechanism
论文进行了两个相反的实验，首先对同一张目标图片使用不同的查询图片，从图5的结果可以看出，p1和p2的颜色与目标相似，而p3和p4则截然不同，从结果来看，结论是前两张图片更注重颜色，而后两张则更注重形状特征。另外一个则是对不同的目标图片使用同一张查询图片，从图6结果可以看出，I1和I2更注重纹理而I3和I4更注重形状特征
Conclusion
论文提出CoAE少样本目标检测算法能够根据查询图片提取对应的特征，不依赖于训练数据的标注信息，在COCO和VOC上达到state-of-the-art，未来的工作是将网络推广到k-shot(k$ge$0)目标检测中
参考内容
写作不易，未经允许不得转载～
更多内容请关注个人微信公众号【晓飞的算法工程笔记】
