介绍

本文是旷视研究院CVPR2018上的一篇工作，在检测行人任务中，由于行人之间互相遮挡，导致传统的检测器容易受遮挡的干扰，给出错误的预测框。

研究人员先是从数据集上进行分析，定量描述了遮挡对行人检测带来的影响。后面受吸引，排斥的启发，提出了Repulsion Loss来尽可能让预测框贴近真实框的同时，又能与同类排斥，进而避免误检。

问题引入

常见的遮挡问题可以再被细分为主要两类

1. 类间遮挡，即目标被其他类遮挡住。举个例子，一个行人遛狗，人体下半部分就可能被狗狗遮住

2. 类内遮挡，目标物体被同类遮挡住，在我们问题里面也就是行人遮挡。

我们思考一下行人遮挡会对检测器造成什么影响。
假设我们目标行人是T，旁边被另外一个行人B所遮挡。那么B的真实框会导致我们对T的预测框P，往B去移动(shift)，造成类似下图的情况

另外我们再考虑下目标检测常用的后处理NMS，非极大值抑制。NMS操作是为了抑制去除掉多余的框。
但是在行人检测中，NMS操作会带来更糟糕的检测结果。
还是刚刚的例子，我对T有一个预测框P，但因为距离B靠的太近，我可能会被B的预测框给抑制，导致行人检测中出现漏检。这也从另外一个侧面反映出行人检测对NMS阈值的敏感性，阈值太低了会带来漏检，阈值太高了会带来假正例（即标出错误的目标）

因此如何稳定的检测出群体中个体行人是行人检测器的关键。

现有的方法仅仅要求预测框尽可能靠近目标框，而没有考虑周围附近的物体。
受磁铁同性相斥，异性相吸的原理，我们提出了一种RepLoss新的损失函数

该损失函数在要求预测框P靠近目标框T(吸引)的同时，也要求预测框P远离其他不属于目标T的真实框(排斥)
该损失函数很好的提升了行人检测模型的性能，并且降低了NMS对阈值的敏感性

人群遮挡的影响

数据集

我们采用了CityPersons数据集，该数据集有共约35000个行人。我们的实验都基于这个数据集进行，在评价当中，我们采用log miss rate的MR−2指标来进行衡量（也就是每张图片的漏检率上取平均值，再进行log计算，该值越低越好）

检测器

我们的基线检测器沿用了Faster RCNN，将骨干网络换成resnet。由于行人检测算是小目标检测任务，因此我们给resnet增加了空洞卷积，并将下采样改为8倍（原始224->7下采样是32倍）

简单改进后的目标检测器的MR指标由15.4下降到14.6，稍微提升了点。

小目标难检测原因（补充）

1. 传统的分类网络为了减少计算量，都使用到了下采样，而下采样过多，会导致小目标的信息在最后的特征图上只有几个像素（甚至更少），信息损失较多
2. 下采样扩张的感受野比较利于大目标检测，而对于小目标，感受野可能会大于小目标本身，导致效果较差

对失败案例的分析

我们在CityPerson数据集中，由于该数据集是从分割数据集得来的，因此我们有每个行人的可见区域，即BBox_visible

为了更好分析，我们定义了一个遮挡率，如下公式
$occ = 1 - {{area(Bbox_{visible}}) \above{2pt} {area(Bbox)}}$occ=1−area(Bbox)area(Bboxvisible​)​
由公式可知，当行人可见区域越小，遮挡率occ越大

我们设定occ >= 0.1即为一个遮挡的案例

而occ >=0.1 并且与其他行人的IoU >=0.1，我们定义为人群遮挡案例

基于这两类设定，我们又在原数据集上划分出两个子集，分别是reasonable-occ，reasonable-crowd
很显然，reasonable-crowd也是resonable-occ的子集

蓝色，橙色，灰色分别代表Reasonable-crowd子集，Reasonable-occ子集，Reasonable集合。可以看到crowd子集在occ子集中，占据了接近60%。这也从侧面说明了人群遮挡是遮挡中一个主要问题。

假正例分析

我们同时也分析了有多少假正例是由人群遮挡造成的
我们具体分为了三类，background，localization，crowd

1. background是预测框与真实框的IoU<0.1
2. localization是预测框仅与一个真实框的IoU>=0.1
3. Crowd是预测框与多于两个真实框的IoU>=0.1

图中红框就是上述的crowd error，大约有20%的假正例都是由人群导致的
因为相邻的两个真实框，预测框或多或少产生偏移，导致预测错误

Repulsion Loss

前面分析了这么多错误，现在才是重头戏
Repulsion Loss主要由三部分构成
$L = L_{Attr} + \alpha*L_{RepGT} + \beta*L_{RepBox}$L=LAttr​+α∗LRepGT​+β∗LRepBox​
Lattr是为了预测框更接近真实框(即吸引)

Lrep则是为了让预测框远离周围的真实框(即排斥)

参数α和β用于平衡两者的权重

我们设
P(lP , tP , wP , hP )为候选框
G(lG, tG, wG, hG)为真实框

P+为正候选框集合，正候选框的意思是，至少与其中一个真实框的IoU大于某个阈值，这里是0.5
g = {G} 是真实框集合

Attraction term

这一项loss在其他算法也广泛使用，为了方便比较，我们沿用smoothL1 Loss

$B^P是根据预测框P回归调整得来的 \\ G^P_{Attr}则是与预测框P有最大IoU的真实框 \\ G^P_{Attr} = arg max_{G∈g} IoU(G, P)$BP是根据预测框P回归调整得来的GAttrP​则是与预测框P有最大IoU的真实框GAttrP​=argmaxG∈g​IoU(G,P)
Smooth L1 Loss公式如下

这里我们的平滑系数取2

Repulsion Term (RepGT)

RepGT loss设计是为了远离非目标的真实框
对于一个候选框P，其排斥对象被定义为，除去本身要回归目标的真实框外，与其IoU最大的真实框

受IoU loss启发，我们定义了一个IoG
$IoG(B, G) = {area(B∩G) \above{1pt} area(G)}$IoG(B,G)=area(G)area(B∩G)​
损失定义如下

这里没有采用smooth l1 loss而是smooth ln loss，其公式如下


不同平滑系数，最后陡峭程度不一样。当一个候选框P与非目标的真实框重叠越多，其惩罚也越大。

Repulsion Term (RepBox)

这项损失是针对人群检测中，NMS处理对阈值敏感的问题
我们先将P+集合划分成互斥的g个子集（因为一共有g个目标物体）
$P+ = P1 ∩ P2 ∩ . . . ∩ P|G$P+=P1∩P2∩...∩P∣G
然后从两个不同子集随机采样，分别得到两个互斥集合的预测框，即
$Pi ∈ Pi \space ,\space Pj ∈ Pj (where \space i, j = 1, 2, . . . , |G|, and \space i \not = j)$Pi∈Pi , Pj∈Pj(where i,j=1,2,...,∣G∣,and i​=j)
我们希望这两个互斥集合出来的回归框，交叉的范围尽可能小，于是有了RepBox loss，公式如下

其中 $\Iota$I是identity函数，即
$y = x$y=x
这里限制大于0，为了避免分式除0，我们这里加了个$\epsilon$ϵ极小值
上面依旧采用Smooth ln函数来计算。

引申讨论

距离函数选择

在惩罚项中，我们分别选择了IoG和IoU来进行度量。
其原因是IoG和IoU把范围限定在了(0, 1)，与此同时 SmoothL1是*的。
如果SmoothL1用在RepGT中，它会让预测框与非目标的gt框离的越远越好，而我们的初衷只是想减少交叉部分，相比之下，IoG更符合我们的思想

另外在RepGT中使用IoG而不使用IoU的原因是，IoG的分母下，真实框大小area(G)是固定的，因此其优化目标是去减少与目标框重叠，即area(B∩G)。而在IoU下，回归器也许会尽可能让预测框更大（即分母）来最小化loss

实验部分

这里只简单介绍一下
我们在CityPerson和Caltech-USA分别训练了80k和160k个iter

根据不同平滑系数，得到的提升也不一样
我们进一步调整两个loss的权重，相对得到了更好的效果


实验效果图如下，这是未经过NMS处理的锚框图

可以看到加了RepBox后，明显少了很多夹在在两个人中间的预测框，这也减少了后续NMS处理出错的情况。

总结

旷厂的这篇算法工作做的还是很扎实的，作者先是对数据集进行分析，进而根据遮挡度，拆分出两个子集，通过直观的统计来表明行人遮挡是检测行人的一大难点。然后从预测框和NMS处理上出发，找到问题所在，进而提出RepLoss，其中两项loss分别针对两个独立的问题。简单改进模型后，加上RepLoss的效果展示还是非常不错的。