作者：ronghuaiyang

來源：AI公園

導(dǎo)讀

實(shí)驗(yàn)表明，對大型物體賦予更大的權(quán)重可以提高所有尺寸物體的檢測分?jǐn)?shù)，從而整體提升目標(biāo)檢測器的性能（在COCO val 2017數(shù)據(jù)集上使用InternImage-T模型，小物體檢測精度提高2個(gè)百分點(diǎn)，中等物體提高2個(gè)百分點(diǎn)，大物體提高4個(gè)百分點(diǎn)）。

摘要

目標(biāo)檢測模型是一類重要的機(jī)器學(xué)習(xí)算法，旨在識別并精確定位圖像或視頻中的物體。然而，由于物體的大小差異以及用于訓(xùn)練的圖像和標(biāo)簽的質(zhì)量，這項(xiàng)任務(wù)有時(shí)會產(chǎn)生不一致的表現(xiàn)。在本文中，我們強(qiáng)調(diào)了大型物體在學(xué)習(xí)適用于所有尺寸特征的重要性?；谶@一發(fā)現(xiàn)，我們建議在訓(xùn)練損失函數(shù)中引入一個(gè)權(quán)重項(xiàng)，該權(quán)重項(xiàng)與物體面積大小有關(guān)。實(shí)驗(yàn)表明，對大型物體賦予更大的權(quán)重可以提高所有尺寸物體的檢測分?jǐn)?shù)，從而整體提升目標(biāo)檢測器的性能（在COCO val 2017數(shù)據(jù)集上使用InternImage-T模型，小物體檢測精度提高2個(gè)百分點(diǎn)，中等物體提高2個(gè)百分點(diǎn)，大物體提高4個(gè)百分點(diǎn)）。此外，使用不同模型和數(shù)據(jù)集進(jìn)行的額外實(shí)驗(yàn)和消融研究進(jìn)一步證實(shí)了我們的發(fā)現(xiàn)的穩(wěn)健性。

介紹

目標(biāo)檢測是計(jì)算機(jī)視覺中的基本任務(wù)，在自動駕駛汽車、監(jiān)控、機(jī)器人等領(lǐng)域有著廣泛的應(yīng)用。自自動圖像處理技術(shù)誕生以來，它一直是計(jì)算機(jī)視覺研究的重點(diǎn)領(lǐng)域之一。卷積神經(jīng)網(wǎng)絡(luò)（CNNs）的興起徹底改變了這一領(lǐng)域，催生了大量的方法，并在檢測精度方面取得了顯著的進(jìn)步。研究人員提出了多種目標(biāo)檢測模型的變體，包括單階段檢測器和雙階段檢測器，以提高目標(biāo)檢測的速度和準(zhǔn)確性。此外，諸如注意力機(jī)制和無錨點(diǎn)目標(biāo)檢測等新技術(shù)也不斷涌現(xiàn)，進(jìn)一步提升了現(xiàn)有模型的性能。在本文中，我們將重點(diǎn)放在目標(biāo)檢測模型及其在圖像中定位物體的基本機(jī)制分析上。檢測數(shù)據(jù)集中通常包含大量的簡單樣本和少量的困難樣本。自動選擇這些困難樣本可以使訓(xùn)練更加有效和高效。根據(jù)選擇困難樣本的標(biāo)準(zhǔn)，不同的數(shù)據(jù)采樣技術(shù)被提出。這些標(biāo)準(zhǔn)包括當(dāng)前較高的訓(xùn)練損失、前景/背景比例不平衡、向困難樣本傾斜的IoU不平衡以及類別不平衡。訓(xùn)練數(shù)據(jù)集中物體大小分布對檢測性能的影響是文獻(xiàn)中較少探討的主題。常識認(rèn)為，如果最終目標(biāo)是在特定大小的物體（如小型物體）上實(shí)現(xiàn)最大性能，則在訓(xùn)練過程中應(yīng)該更關(guān)注這些目標(biāo)物體。然而，我們的研究表明現(xiàn)實(shí)可能與直覺相反，即更多地關(guān)注大型物體可以改善所有尺寸物體的檢測性能，包括小型物體。事實(shí)上，我們發(fā)現(xiàn)對訓(xùn)練損失的一個(gè)簡單調(diào)整可以提高各種目標(biāo)檢測器的性能。目標(biāo)檢測的損失函數(shù)可以分為兩類：分類損失和定位損失。前者用于訓(xùn)練一個(gè)分類頭，用于檢測目標(biāo)物體，并在多類目標(biāo)檢測的情況下對其進(jìn)行分類；后者用于訓(xùn)練一個(gè)回歸頭，以找到目標(biāo)物體的矩形框。我們建議在總損失計(jì)算中包含樣本權(quán)重函數(shù)，包括分類項(xiàng)（見圖1）。通過對較小物體分配較少的權(quán)重而對較大物體分配較多的權(quán)重，模型能夠有效地從大小不同的物體中學(xué)習(xí)。通過實(shí)證評估和消融研究，我們驗(yàn)證了所提出的權(quán)重函數(shù)的有效性，并展示了其在目標(biāo)檢測領(lǐng)域推動技術(shù)前沿的潛力。我們的貢獻(xiàn)如下：

我們驗(yàn)證了在大型物體上的學(xué)習(xí)比在小型物體上的學(xué)習(xí)能帶來更好的檢測性能。

我們提出了一種簡單的損失重加權(quán)方案，更多地關(guān)注大型物體，從而在所有物體尺寸上整體提升目標(biāo)檢測器的性能。

我們分析了哪些目標(biāo)檢測子任務(wù)最能看到性能提升，從而更好地理解損失重加權(quán)的影響。

2、相關(guān)工作

除了幾何數(shù)據(jù)增強(qiáng)技術(shù)的應(yīng)用外，多年來，目標(biāo)檢測器架構(gòu)中還加入了越來越多的元素來改進(jìn)不同尺度物體的檢測性能。在本節(jié)中，我們將回顧一些我們認(rèn)為對其影響力或性能重要的模型，主要突出它們處理不同大小物體的方法。接著，我們將重點(diǎn)討論數(shù)據(jù)增強(qiáng)技術(shù)如何用于相同的目標(biāo)及其局限性。

特征金字塔網(wǎng)絡(luò)（FPN）

特征金字塔網(wǎng)絡(luò)（FPN）是由Lin等人提出的一種廣泛應(yīng)用的模塊，旨在解決單一預(yù)測輸出對于所有物體尺度的限制問題。具體來說，它提出從骨干卷積網(wǎng)絡(luò)的不同層次提取特征，并將其合并回倒置的特征金字塔中。然后，倒置特征金字塔的每一層都有一個(gè)專門針對某一特定大小范圍物體的檢測分支。性能的提升可以歸因于在較高分辨率下捕捉語義信息的同時(shí)保持較低分辨率下的空間信息。

YOLO

YOLO（You Only Look Once），由Redmon等人提出，是一種基于錨點(diǎn)的實(shí)時(shí)單階段目標(biāo)檢測系統(tǒng)，使用單一神經(jīng)網(wǎng)絡(luò)實(shí)時(shí)直接從輸入圖像預(yù)測物體邊界框和類別概率。實(shí)現(xiàn)了業(yè)界領(lǐng)先的檢測速度和準(zhǔn)確度。自問世以來，YOLO經(jīng)歷了幾次迭代改進(jìn)。YOLOv2通過引入錨點(diǎn)框增強(qiáng)了原始架構(gòu)，使模型能夠高效檢測不同長寬比和大小的物體。YOLOv3集成了特征金字塔網(wǎng)絡(luò)，使模型能夠有效捕捉多個(gè)尺度的物體。YOLOv4采用了CSPDarknet53骨干網(wǎng)絡(luò)，提高了模型提取復(fù)雜特征的能力。它還集成了PANet模塊，該模塊在網(wǎng)絡(luò)的不同層次上執(zhí)行特征聚合，進(jìn)一步改進(jìn)了多尺度物體檢測。YOLOv5是YOLO的PyTorch實(shí)現(xiàn)版本，具有實(shí)用的質(zhì)量改進(jìn)功能，適用于訓(xùn)練和推理。就性能而言，它與YOLOv4相當(dāng)。TTFNet

TTFNet源自CenterNet，將物體定義為其邊界框的中心點(diǎn)。它使用關(guān)鍵點(diǎn)估計(jì)來查找中心點(diǎn)，并回歸到其他所有物體屬性。TTFNet通過在中心像素周圍預(yù)測邊界框并使用高斯懲罰加快了CenterNet的訓(xùn)練速度?？紤]了幾種加權(quán)方案后，作者發(fā)現(xiàn)最佳性能是通過標(biāo)準(zhǔn)化權(quán)重然后乘以框面積的對數(shù)來實(shí)現(xiàn)的。然后，定位損失由批次中存在的所有權(quán)重之和進(jìn)行標(biāo)準(zhǔn)化。受此方法啟發(fā)，我們建議也將對數(shù)加權(quán)應(yīng)用于其他術(shù)語，即定位和分類。其他工作如FCOS研究了邊界框面積對訓(xùn)練的影響，但據(jù)我們所知，還沒有人提出一種針對大物體的加權(quán)方案。在FCOS中，所有邊界框內(nèi)的像素都參與預(yù)測，但隨后的損失在整個(gè)像素中平均。其后來擴(kuò)展為FCOS Plus，將學(xué)習(xí)區(qū)域縮小到框內(nèi)的中心區(qū)域。

DETR

DETR（Detection Transformer）引入了一種基于Transformer的目標(biāo)檢測架構(gòu)，能夠在一次傳遞中同時(shí)預(yù)測物體類別及其邊界框坐標(biāo)。值得注意的是，DETR利用基于集合的全局損失函數(shù)，通過集成自注意力機(jī)制和位置編碼有效處理可變數(shù)量的物體。這使得模型在處理不同數(shù)量的物體時(shí)表現(xiàn)優(yōu)異。

InternImage

InternImage由Wang等人提出，是一種大規(guī)?；贑NN的基礎(chǔ)模型，通過增加參數(shù)數(shù)量和訓(xùn)練數(shù)據(jù)量來提高性能，類似于視覺變換器（Vision Transformers）。InternImage的核心操作是可變形卷積，這使其能夠捕獲更豐富的上下文信息。此外，InternImage結(jié)合了適應(yīng)性空間聚合，這種聚合由輸入和任務(wù)信息條件決定，減少了傳統(tǒng)CNN中常見的嚴(yán)格歸納偏置。InternImage在不同數(shù)據(jù)集上的目標(biāo)檢測結(jié)果得到了改進(jìn)，并且目前在多項(xiàng)評估指標(biāo)中排名靠前。正如我們將看到的那樣，通過引入大小依賴的加權(quán)項(xiàng)，我們可以進(jìn)一步提升InternImage的性能。
數(shù)據(jù)增強(qiáng)數(shù)據(jù)增強(qiáng)是一種強(qiáng)大的解決方案，可以提升所有尺度物體檢測模型的性能。通過對訓(xùn)練數(shù)據(jù)集應(yīng)用變換，數(shù)據(jù)增強(qiáng)技術(shù)引入了多樣性并擴(kuò)展了不同尺度物體的表示。諸如隨機(jī)縮放、翻轉(zhuǎn)、旋轉(zhuǎn)和平移等增強(qiáng)方法使模型能夠?qū)W習(xí)到穩(wěn)健的特征，從而準(zhǔn)確檢測小物體和大物體。特別是針對小物體設(shè)計(jì)的數(shù)據(jù)增強(qiáng)方法，例如隨機(jī)補(bǔ)丁復(fù)制粘貼和像素級增強(qiáng)，有助于緩解低分辨率細(xì)節(jié)和有限上下文信息的問題。類似地，那些保留空間上下文并在調(diào)整大小或裁剪過程中防止信息丟失的增強(qiáng)方法也有助于處理大物體。然而，需要注意的是，數(shù)據(jù)增強(qiáng)技術(shù)在應(yīng)對物體大小方面存在局限性。盡管增強(qiáng)可以引入多樣性并擴(kuò)展物體的表示，但放大物體本身并不會帶來額外的信息。通過增強(qiáng)增大小物體的尺寸可能會提高其可見性，但不會提供原本圖像中不存在的額外上下文細(xì)節(jié)或特征。另一方面，縮小或調(diào)整大物體的大小可能會導(dǎo)致重要信息和細(xì)粒度細(xì)節(jié)的丟失，這可能妨礙準(zhǔn)確檢測。對于數(shù)據(jù)集本身的內(nèi)容（除了標(biāo)注錯(cuò)誤之外），人們關(guān)注較少，尤其是物體大小分布對所有尺度檢測性能的影響。在下一節(jié)中，我們將強(qiáng)調(diào)從大物體中學(xué)到的特征對整體物體檢測器性能的重要性。

3、目標(biāo)尺寸的重要性

諸如COCO這樣的數(shù)據(jù)集包含各種尺寸的多樣化物體。然而，檢測大物體與小物體相比面臨著不同的挑戰(zhàn)。大物體具有豐富的細(xì)節(jié)和紋理，這些細(xì)節(jié)可能需要被解釋或忽略，但通常這些豐富的信息足以識別它們而無需依賴周圍環(huán)境。小物體則不同，周圍環(huán)境對其解釋具有重要意義。圖2展示了一組沒有或帶有上下文的小物體裁剪圖，以此來說明這一事實(shí)。我們傾向于認(rèn)為小物體檢測主要依賴于骨干網(wǎng)絡(luò)的早期階段。然而，這一觀察表明，骨干網(wǎng)絡(luò)的后期階段不僅包含了捕捉大物體的特征，還包含用于檢測小物體所需的上下文信息。因此，所有尺寸的物體都需要在網(wǎng)絡(luò)骨干的所有層級上具備高質(zhì)量的特征。我們研究背后的直覺是，擁有各種尺寸的物體有助于在所有尺寸上學(xué)習(xí)高質(zhì)量的特征，并且在損失函數(shù)中強(qiáng)調(diào)大物體的重要性會更好。這一直覺可以通過以下實(shí)驗(yàn)來驗(yàn)證：給定一個(gè)物體檢測器（本例中為YOLO v5 ）和一個(gè)訓(xùn)練數(shù)據(jù)集（COCO），我們首先使用隨機(jī)權(quán)重初始化模型，并僅使用大物體對其進(jìn)行預(yù)訓(xùn)練。我們使用了YOLO v5作者在其GitHub倉庫中定義的尺寸范圍，并如表1所示。然后凍結(jié)編碼層，并在所有訓(xùn)練數(shù)據(jù)上微調(diào)模型。我們也重復(fù)同樣的過程，但在預(yù)訓(xùn)練時(shí)使用小物體和中等物體的數(shù)據(jù)。訓(xùn)練和測試的mAP與mAR結(jié)果如表2所示。這些實(shí)驗(yàn)的目標(biāo)是在僅使用大物體或小+中等物體訓(xùn)練的情況下，觀察所學(xué)到的骨干網(wǎng)絡(luò)特征對于不同尺寸物體的質(zhì)量。

我們可以看到，盡管相比數(shù)據(jù)集中其他物體而言，大物體的數(shù)量相對較少，但僅在大物體上預(yù)訓(xùn)練并在整個(gè)數(shù)據(jù)集上微調(diào)的模型在所有尺寸上的表現(xiàn)都更優(yōu)。這意味著較大物體的特征更具通用性，可以用于檢測所有尺寸的物體，包括較小的物體。而在小物體上學(xué)到的特征則不那么通用。

另一個(gè)有趣的發(fā)現(xiàn)是，僅在小物體和中等物體上訓(xùn)練的網(wǎng)絡(luò)在這類物體上的表現(xiàn)不如在整個(gè)數(shù)據(jù)集上訓(xùn)練的網(wǎng)絡(luò)。事實(shí)上，即使是使用僅在大物體上預(yù)訓(xùn)練的骨干網(wǎng)絡(luò)并在整個(gè)數(shù)據(jù)集上微調(diào)的網(wǎng)絡(luò)，其在小物體上的檢測性能也更好。這一點(diǎn)突顯了大物體有助于學(xué)習(xí)適用于所有尺度的更有意義的特征的觀點(diǎn)。

4、方法

4.1 權(quán)重項(xiàng)

為了有效利用大尺寸物體來提升模型性能，我們提出在專為物體檢測任務(wù)設(shè)計(jì)的損失函數(shù)中加入一個(gè)權(quán)重項(xiàng)。

例如，我們考慮 YOLO v5 的損失函數(shù)。

在每個(gè)訓(xùn)練步驟中，損失是通過對所有批次樣本取平均值得到的。

其中，是批次中的邊界框數(shù)量，是批次中邊界框的集合，i 是對單個(gè)邊界框的預(yù)測，是對應(yīng)的地面實(shí)況。我們修改以加入權(quán)重：其中?。這一項(xiàng)旨在在訓(xùn)練過程中給較大的物體分配更高的權(quán)重，從而鼓勵(lì)模型更多地從較大物體中學(xué)習(xí)。另一方面，由于批次中權(quán)重的總和是歸一化的，較小的物體對學(xué)習(xí)的影響會減少。然而，由于對數(shù)的緩慢增長意味著任何尺寸的物體在損失函數(shù)中都不是可以忽略的。

如第2節(jié)所述，加權(quán)項(xiàng)（式4）已經(jīng)在 TTFNet 中使用過。然而，與 TTFNet 將此權(quán)重納入其尺寸回歸損失（GIoU）不同，我們在定位損失和分類損失項(xiàng)中都使用了它。我們在第6.1節(jié)中通過消融研究對此選擇進(jìn)行了論證。

在損失函數(shù)中包含權(quán)重項(xiàng)鼓勵(lì)模型優(yōu)先準(zhǔn)確檢測和定位較大物體。這導(dǎo)致更具辨別力的特征和更好的上下文理解，特別是對于較大物體而言。因此，模型也更好地處理較小物體。

此外，權(quán)重項(xiàng)有助于解決數(shù)據(jù)集固有的對較小物體的偏差，通過在訓(xùn)練過程中顯式地賦予較大物體更多的顯著性來糾正這種偏差。這種偏差校正使模型能夠更有效地從數(shù)據(jù)集中有限數(shù)量的較大物體中學(xué)習(xí)，縮小小物體和大物體識別之間的性能差距。例如，在表3中，每種物體尺寸的比例表明：

這一比例被用來與這些物體的加權(quán)和進(jìn)行比較

在 COCO 和 NuScenes 數(shù)據(jù)集上，我們發(fā)現(xiàn) r' 偏向于較大的物體，盡管這些物體的實(shí)際比例相對較小。這迫使訓(xùn)練更加關(guān)注大物體，從而在所有尺寸上提升了性能。這就提出了一個(gè)問題，即在構(gòu)建數(shù)據(jù)集時(shí)物體尺寸分布的理想比例是什么，而這可能取決于目標(biāo)物體及其在不同尺寸下的復(fù)雜性。因此，每個(gè)數(shù)據(jù)集可能都有一個(gè)不同的最優(yōu)加權(quán)函數(shù)。

4.2 權(quán)重項(xiàng)對訓(xùn)練的影響

為了更深入地了解權(quán)重項(xiàng)對訓(xùn)練的影響，我們需要量化每次樣本在訓(xùn)練中的重要性，損失梯度的大小之和可以很好地衡量這一點(diǎn)。實(shí)際上，模型參數(shù)在訓(xùn)練過程中的變化與損失相對于模型參數(shù)的梯度大小成正比，即。由于這些梯度存在于高維空間中，任意兩個(gè)輸入對應(yīng)的梯度向量很可能是正交的。因此，三角不等式適用于這種情況。可以作為權(quán)重更新的緊密估計(jì)。因此，我們可以將?視為每個(gè)目標(biāo)對學(xué)習(xí)特征影響的度量，并可以通過按目標(biāo)大小重新分組這些量來觀察不同大小的目標(biāo)對學(xué)習(xí)過程的影響。我們計(jì)算了大目標(biāo)的梯度大小之和與小目標(biāo)的梯度大小之和的比例。其中，?是大目標(biāo)的集合，?是小目標(biāo)的集合，而?是在輸入 ?i ?上評估的訓(xùn)練損失項(xiàng)（在對整個(gè)圖像和批次進(jìn)行縮減之前）。圖 3 展示了在 COCO 數(shù)據(jù)集上使用 YOLO v5 訓(xùn)練 100 個(gè)周期時(shí)，該比例的變化情況，包括使用和未使用所提出的加權(quán)項(xiàng)的情況。我們可以看到，在沒有加權(quán)項(xiàng)的情況下，小目標(biāo)和大目標(biāo)對模型參數(shù)的貢獻(xiàn)相當(dāng)。這表現(xiàn)為?圍繞 1 波動。相反，使用加權(quán)項(xiàng)會增加較大目標(biāo)的影響。這一點(diǎn)通過??在訓(xùn)練開始時(shí)較高（約為 1.8）并在訓(xùn)練過程中保持大于 1 的值得以體現(xiàn)。

為了進(jìn)一步研究這種效應(yīng)，我們在網(wǎng)絡(luò)的不同層次上研究了這一行為。YOLO v5 架構(gòu)基于 7 個(gè) BottleNeckCSP 塊：其中兩個(gè)塊構(gòu)成了骨干網(wǎng)，其余塊則是模型頸部（即 PANet 部分）的主要組件。我們將分析限制在第一個(gè)或最后一個(gè) BottleNeckCSP 塊的參數(shù)上，并定義如下：其中，是模型中特定 BottleNeckCSP 塊的參數(shù)集。圖 4 展示了第一個(gè)或最后一個(gè) BottleNeckCSP 塊參數(shù)的?變化情況。這為我們提供了關(guān)于低級特征和高級特征影響的見解。我們發(fā)現(xiàn)，當(dāng)使用加權(quán)函數(shù)時(shí)，第一個(gè)塊受到特別顯著的影響，比例在訓(xùn)練初期上升至原來的 16 倍，并最終穩(wěn)定在 4 倍的增長水平。對于最后一層，我們?nèi)匀挥^察到 ( r_{\text{grad}} ) 的增長，但幅度較小。這表明將訓(xùn)練重點(diǎn)放在大目標(biāo)上主要影響的是低級特征，并且在整個(gè)訓(xùn)練過程中都是如此?？梢哉J(rèn)為這些通用的低級特征在大目標(biāo)上比在小目標(biāo)上更具區(qū)分性。這些發(fā)現(xiàn)揭示了重新加權(quán)如何影響訓(xùn)練，表明低級特征從大目標(biāo)中受益最多。此外，可以認(rèn)為將注意力轉(zhuǎn)向大目標(biāo)與整體性能提升有關(guān)，因?yàn)檫@一現(xiàn)象自最初的訓(xùn)練周期就開始顯現(xiàn)（這一點(diǎn)將在下一節(jié)中討論）。

5、實(shí)驗(yàn)

為了驗(yàn)證所提出的加權(quán)方案的影響，我們在 COCO 和 nuScenes 數(shù)據(jù)集上對幾種目標(biāo)檢測器（YOLO V5、InternImage、DETR 和 Mask R-CNN）進(jìn)行了對比實(shí)驗(yàn)，分別測試啟用和禁用權(quán)重項(xiàng)的情況。我們在兩塊 NVIDIA RTX 2080 Ti 上對這些模型進(jìn)行了訓(xùn)練，每個(gè)數(shù)據(jù)集訓(xùn)練 35 個(gè)周期，批量大小為 16。對于 InternImage-T 使用了 5 個(gè)周期的預(yù)熱階段。我們使用了 Adam 優(yōu)化器并采用余弦退火學(xué)習(xí)率，YOLO v5 和 Mask R-CNN 的初始最大值為 0.01，而 InternImage-T 和 DETR 的初始最大值為 0.1。驗(yàn)證檢測的有效 IoU 閾值固定為 0.5，COCO 數(shù)據(jù)集的置信度閾值為 0.001，nuScenes 數(shù)據(jù)集的置信度閾值為 0.05。至于數(shù)據(jù)增強(qiáng)，我們保留了每種方法在其原始論文中定義的數(shù)據(jù)增強(qiáng)流程。

表 4 展示了這些實(shí)驗(yàn)的平均精度均值（mAP）和平均召回率（mAR）得分?？梢钥闯?，所有模型在使用所提出的加權(quán)方案后，在各個(gè)尺度的目標(biāo)上都表現(xiàn)出顯著的性能提升。例如，經(jīng)過修改后的 InternImage-T 達(dá)到了 51.2% 的 mAP，而原版為 47.2%，提升了 4 個(gè)百分點(diǎn)。我們的基準(zhǔn)結(jié)果重現(xiàn)了 InternImage 作者的實(shí)驗(yàn)結(jié)果，其論文顯示參數(shù)數(shù)量超過 InternImage-T 一倍的 InternImage-B 在類似訓(xùn)練條件下僅能達(dá)到 48.8% 的 mAP。由于訓(xùn)練 InternImage-XL 需要昂貴的計(jì)算資源，因此我們無法對該模型應(yīng)用修改，但該模型目前是最先進(jìn)的。如果能夠訓(xùn)練這樣的模型，很可能會定義新的技術(shù)前沿。盡管這里展示的結(jié)果涉及四種不同的卷積神經(jīng)網(wǎng)絡(luò)目標(biāo)檢測器，但所提出的加權(quán)方案較為簡單，可以輕松應(yīng)用于其他目標(biāo)檢測模型。

所選示例表明，所提出的修改使得模型能夠檢測出一些原本未被檢測到的目標(biāo)。例如，在第一行和第三行中，領(lǐng)帶和飛機(jī)僅在應(yīng)用了我們修改的模型中被檢測到。如第一行和第二行所示，邊界框預(yù)測也有所改進(jìn)，兩個(gè)模型檢測到的目標(biāo)在第二列中的邊界框更加精確。

我們還在另一個(gè)數(shù)據(jù)集 NuScenes 上驗(yàn)證了改進(jìn)效果。我們使用 InternImage 模型并對比了使用和不使用權(quán)重項(xiàng)的性能。表 5 展示了實(shí)驗(yàn)結(jié)果。我們觀察到，在加權(quán)損失下，分?jǐn)?shù)有輕微提升。圖 6 顯示了隨著訓(xùn)練周期增加的整體 mAP 變化情況，證明了模型從一開始就受益于對大目標(biāo)的關(guān)注，因?yàn)檎麄€(gè)訓(xùn)練過程中的性能始終更優(yōu)。我們可以看到，從最初幾個(gè)周期開始，我們的加權(quán)策略平均帶來了近 3 個(gè)百分點(diǎn)的提升。這進(jìn)一步證明了增加大目標(biāo)的存在有助于引導(dǎo)訓(xùn)練朝更好的方向發(fā)展，并避免陷入更差的局部極小點(diǎn)。這也表明未來對目標(biāo)加權(quán)改進(jìn)的效果可能在訓(xùn)練早期就能顯現(xiàn)出來。

6、消融實(shí)驗(yàn)和討論

6.1 損失項(xiàng)的影響

為了進(jìn)一步研究加權(quán)策略對 YOLO v5 損失函數(shù)的影響，我們在 COCO 數(shù)據(jù)集上進(jìn)行了消融研究。給定模型的總損失函數(shù)（公式 2），我們分別對分類損失和檢測損失應(yīng)用了不同的加權(quán)函數(shù)。具體來說，我們探索了四種場景：無權(quán)重項(xiàng)、僅對分類項(xiàng)應(yīng)用權(quán)重項(xiàng)、僅對檢測項(xiàng)應(yīng)用權(quán)重項(xiàng)以及對所有損失項(xiàng)應(yīng)用權(quán)重項(xiàng)。我們的分析重點(diǎn)在于評估平均精度均值（MAP@50:95）作為一般度量指標(biāo)以及邊界框中心誤差作為定位度量指標(biāo)。表 6 展示了各種組合對不同尺度物體 mAP 的影響。由于 mAP 受定位誤差和網(wǎng)絡(luò)檢測與正確分類物體能力的影響，我們補(bǔ)充了平均絕對誤差（MAE：預(yù)測邊界框中心與真實(shí)中心之間的平均 L1 距離）。MAE 僅在水平分量上進(jìn)行估計(jì)。這是因?yàn)樵诖怪焙退?MAE 之間存在高度相關(guān)性（見圖 7）。為了減少網(wǎng)絡(luò)檢測物體能力的影響，這些結(jié)果是在正確檢測的物體集合上計(jì)算得出（正確的類別且 IoU > 0.5）。最后，由于 AP@50 對定位誤差不太敏感，我們展示了所有物體的相應(yīng)結(jié)果。結(jié)果表明，當(dāng)僅對分類項(xiàng)添加加權(quán)方案時(shí)，mAP 略有下降，特別是在小型物體上，盡管 AP50 和 MAE 有所改善。這種現(xiàn)象的確切解釋尚不清楚。然而，當(dāng)改變的項(xiàng)是檢測項(xiàng)時(shí)，mAP、MAE 和 AP50 均有所提高。對于大型物體，MAE 的相對增益更大（30%），表明定位更好。最后，同時(shí)對兩個(gè)損失項(xiàng)應(yīng)用加權(quán)方案在所有度量指標(biāo)上表現(xiàn)最佳。與初始結(jié)果相比，最大的增益出現(xiàn)在小型目標(biāo)上，mAP 提升了 12 個(gè)百分點(diǎn)（而中等物體提升 3 個(gè)百分點(diǎn)，大型物體提升 6 個(gè)百分點(diǎn)），MAE 減少了 43%（而中等物體減少了 23%，大型物體減少了 36%）。這表明，考慮到分類和檢測的綜合性方法，并適當(dāng)分配權(quán)重項(xiàng)，對于實(shí)現(xiàn) mAP 分?jǐn)?shù)和邊界框中心誤差的最佳結(jié)果至關(guān)重要。

6.2 關(guān)于選擇 log(w × h)

如前所述，選擇 log(w × h) 的主要目的是增加大尺寸物體在網(wǎng)絡(luò)特征學(xué)習(xí)中的貢獻(xiàn)。我們測試了其他 w × h 的函數(shù)，并將其與所提出的函數(shù)進(jìn)行了比較。表 7 在 COCO 數(shù)據(jù)集上評估了 YOLO v5 的一些樣本加權(quán)函數(shù)。我們堅(jiān)持認(rèn)為該函數(shù)應(yīng)該依賴于物體的面積，并只改變了函數(shù)類型（線性、對數(shù)、平方根）。雖然 log(w×h) 在此表中表現(xiàn)出最佳結(jié)果，但我們認(rèn)為還需要在這個(gè)方向上進(jìn)行更多的研究和實(shí)驗(yàn)，以識別更好的函數(shù)或證明所選的加權(quán)函數(shù)是否是最佳選擇以獲得更好的性能。6.3 數(shù)據(jù)集的影響在 COCO 和 NuScenes 這兩個(gè)數(shù)據(jù)集上驗(yàn)證了性能提升的效果。盡管在這兩個(gè)數(shù)據(jù)集上的性能提升不容忽視，但并不能保證在其他數(shù)據(jù)集上也能獲得類似的收益。事實(shí)上，加權(quán)方案相當(dāng)于人為增加數(shù)據(jù)集中大尺寸物體的比例，因此如果數(shù)據(jù)集本身已經(jīng)具有最優(yōu)比例，那么加權(quán)不會提高性能。然而，本研究的結(jié)論是，在構(gòu)建數(shù)據(jù)集時(shí)，擁有一定比例的大尺寸物體是很重要的，如果沒有，則需要通過加權(quán)因子來彌補(bǔ)。影響加權(quán)需求的一個(gè)方面是每個(gè)物體尺寸檢測的難度。對于 COCO 和 NuScenes 數(shù)據(jù)集，小尺寸物體的檢測得分低于大尺寸物體。由于小尺寸物體更難檢測，因此它們在損失中往往產(chǎn)生更大的誤差，從而導(dǎo)致更高的梯度。加權(quán)方案可以看作是對這種行為的一種修正因子。

7、結(jié)論

在本文中，我們展示了訓(xùn)練數(shù)據(jù)集中包含大尺寸物體有助于學(xué)習(xí)到在小尺寸和中等尺寸物體上也能取得更好性能的特征。隨后，我們提出了一種簡單的損失重新加權(quán)方案，該方案提高了目標(biāo)檢測器的性能。我們的發(fā)現(xiàn)強(qiáng)調(diào)了考慮大尺寸物體的重要性，并展示了在增強(qiáng)整體目標(biāo)檢測性能方面加入加權(quán)損失項(xiàng)的潛力。通過實(shí)驗(yàn)和消融研究，我們驗(yàn)證了所提方法的有效性。我們評估了不同模型和數(shù)據(jù)集，一致觀察到在所有尺寸上的檢測得分都有所提高。未來的研究可以探討新的策略，明確考慮大尺寸物體對不同尺度檢測準(zhǔn)確性的影響。