DPP能够对目标检测proposal进行非统一处理，根据proposal选择不同复杂度的算子，加速整体推理过程。从实验结果来看，效果非常不错
来源：晓飞的算法工程笔记 公众号
论文: Should All Proposals be Treated Equally in Object Detection?
在目标检测中，影响速度的核心主要是密集的proposal设计。所以，Faster RCNN → Cascade RCNN → DETR → Sparse RCNN的演变都是为了稀疏化proposal密度。虽然Sparse R-CNN成功地将proposal数量从几千个减少到几百个，但更复杂deation head导致减少proposal数量带来的整体计算收益有限。
复杂的deation head结构虽然能带来准确率的提升，但会抹杀轻量级设计带来的计算增益。对于仅有300个proposal的Sparse RCNN，deation head的计算量是主干网络MobileNetV2的4倍（25 GFLOPS 与 5.5 GFLOPS）。
为此，作者研究是否有可能在降低deation head计算成本的同时保留精度增益和proposal稀疏性。现有检测算法采用相同复杂度的操作处理所有proposal，在高质量proposal上花费大量的计算是合适的，但将相同的资源分配给低质量的proposal则是一种浪费。由于每个proposal的IoU在训练期间是已知的，所以可以让检测器学习为不同的proposal分配不同的计算量。
由于在推理时没有IoU，网络需要学习如何根据proposal本身进行资源分配。为此，作者提出了dynamic proposal processing（DPP），将detection head使用的单一算子替换为一个包含不同复杂度算子的算子集，允许检测器在复杂度-精度之间进行权衡。算子的选择通过增加一个轻量级选择模型来实现，该模型在网络的每个阶段选择适用于每个proposal的最佳算子。
假设主干网络产生了一组proposal\(X = \{x_1, x_2, \cdots, x_N \}\)，计算消耗主要来源于detection head而主干的计算消耗可忽略，并且将deation head的计算进一步分解为per-proposal的算子h（网络结构）以及对应的proposal间处理组件p（NMS操作或proposal之间的的自注意机制）。
在之前的检测器中，所有的proposal都由同一个算子h处理：
其中\(\psi = \{h, p\}\)，\(C_h\) 和 \(C_p\) 分别是h和p的 per-proposal 复杂度。
与其将相同的算子h应用于所有proposal，作者建议使用包含J个具有不同复杂度算子的算子集\(\mathcal{G} = \{h_j\}^J_{j=1}\)，由动态选择器s选择具体的算子分配给proposal \(x_i\)：
其中\(s_i = s(x_i)\)， \(h_{s_i}\in \mathcal{G}\) 表示来自 \(\mathcal{G}\) 的算子，由选择器s分配给的proposal \(x_i\)，\(\psi = \{\{h_{s_i}\}_i, s, p\}\)，\(C_{h_{s_i}}\)为整个per-proposal操作的计算复杂度。为简单起见，p的复杂度仍然视为常数。
当deation head对proposal非统一处理时，给定复杂性约束C的最佳检测器精度可以通过优化算子对proposal的分配来提升：
其中\(\mathcal{P}(\{h_{s_i}\}_i)\)是分配的特定运算符\(\{h_{s_i}\}_i\)的精度。随着C的变化，\(P(\psi^{∗}|C)\)构建了复杂度-精度(C-P)曲线，该曲线表示了可使用\(\mathcal{G}\)实现的目标检测器在成本和精度之间trade-off的最佳性能。
基于上面的背景，作者提出了一个动态proposal处理（DPP）。假设detection head由多个阶段(\(\psi = \phi_1 \circ \cdots \circ \phi_K\))依次处理proposal，每个阶段\(\varphi_K\)由选择器s从\(\mathcal{G}\)中选择的运算符实现。为了最小化复杂性，选择器每次只应用于阶段子集\(k \in K \subset \{1，\cdots，K\}\)，其余阶段使用上一次处理选择的运算符，即\(\phi_k = \phi_{k−1}, \forall k\notin K\)。
作者提出了由三个计算成本差异较大的算子组成的算子集合\(\mathcal{G} = \{g_0, g_1, g_2\}\)：
在DPP中，通过控制操作符对proposal的分配，选择器是控制精度和复杂性之间权衡的关键组件。定义\(z^k_i\)是proposal \(x_i\)在阶段\(\phi_k\)的输入特征，选择器由3层MLP实现，输出与关联\(z^k_i\)的3维向量\(\epsilon^k_i \in [0, 1]^3\)：
其中\(\epsilon^k_{i,j}\)是\(\epsilon^k_i\)中的选择变量，代表将操作\(g_j\)分配给proposal \(x_i\)的权重：
分配过程如图2所示，整体开销非常小（100个proposal仅需4e-3 GFLOPS），与detection head相比可以忽略不计。
从公式4可以看出，不同的proposal和阶段选择的算子都有变化，从而能够进行动态处理。
此外，虽然\(\mathcal{G}\)仅有三个候选项，但潜在的detection head网络结构有\(3^{|K|}\)种。最后，由于选择器是可训练的，所以整体结构可以端到端学习。
为了确保在给定复杂度的情况下，DPP能为每个proposal选择最优的操作序列，作者增加了选择器损失，包含两个目标：
首先，应该将复杂的算子（\(g_0\)和\(g_1\)）分配给高质量的proposal（高IoU）：
其中\(u_k\)是第i个proposal在第k阶段的 IoU。当IoU小于0.5时，\(L_{iou}\)推动选择器将\(\epsilon^k_{i,0}\)和\(\epsilon^k_{i,1}\)变为0，反之则变为1，鼓励在阶段 k 中使用更复杂的算子来获得高质量的proposal。此外，损失的大小是由IoU值决定的，为高IoU proposal选择简单结构或为低IoU proposal选择复杂结构均会产生大梯度值。
其次，选择器应该知道每张图像中的实例总数，并根据总数调整整体复杂度，在实例密集时选择更复杂的算子：
其中T是特定图像选择\(g_0\)算子目标次数，定义为\(T = \alpha M\)，即图像中M个实例的倍数。此外，\(T\in [T_{min}, N ]\)需通过根据预先指定的下限\(T_{min}\)和由总体proposal数N给出的上限对\(\alpha M\)进行裁剪。下界防止对高复杂度算子进行过于稀疏的选择，然后\(\alpha\)则是根据实例数调整选择器。
最终的整体选择器损失为：
选择器损失是一种即插即用损失，可以应用于不同的对象检测器。在实现时，与应用DPP的原始检测器的所有损失相结合，包括交叉熵损失和边界框回归损失。
DPP的主干网络使用MobileNet V2或ResNet-50，使用特征金字塔网络(FPN)生成多维特征，在其之上使用Sparse R-CNN的策略学习初始proposal。为简单起见，选择器仅应用于阶段 \(K = \{2, 4, 6\}\)。
对于损失函数，设置\(\lambda=1\)，\(T_{min}=1\)，\(\alpha=2\)，\(N=100\)。
不同候选算子对性能的贡献。
阶段1∼6的AP分别为\(\{15.6, 32.1, 39.3, 41.7, 42.0, 42.2\}\)，精度在前 4 个阶段迅速增加，然后达到饱和。较后的阶段，复杂算子占比越少，这说明 DPP 如何在复杂性与精度之间取得相当成功。
阶段4和阶段6中，\(g_0\)的预测结果。
基于ResNet50与SOTA算法对比。
基于MobileNetV2与SOTA算法对比。
推理速度对比。
选择器损失的作用。
复杂算子预期数量的作用。
DPP能够对目标检测proposal进行非统一处理，根据proposal选择不同复杂度的算子，加速整体推理过程。从实验结果来看，效果非常不错。
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】
