Relation Networks for Object Detection [CVPR 2018]

引入了object的关联信息，在神经网络中对object的relations进行建模。主要贡献点有两条：

1. 提出了一种relation module，可以在以往常见的物体特征中融合进物体之间的关联性信息，同时不改变特征的维数，能很好地嵌进目前各种检测框架，提高性能

2. 在1的基础上，提出了一种特别的代替NMS的去重模块，可以避免NMS需要手动设置参数的问题

1. Background

假设现在有一个显示屏幕，问这是电脑显示屏还是电视屏幕，该怎么判断？如果单纯把屏幕取出来，确实很难回答这个问题，但是如果结合周围的东西，就很好解决了……比如，放在客厅环境、旁边有茶几的是电视，而旁边有键盘和鼠标的是电脑显示屏；又或者，宽度有沙发那么大的是电视，而只比一般座椅稍大一点的是电脑屏……

总之，周边其他物体的信息很可能对某个物体的分类定位有着帮助作用，这个作用在目前的使用RoI的网络中是体现不出来的，因为在第二阶段往往就把感兴趣的区域取出来单独进行分类定位了。这篇文章作者就考虑改良这个情况，来引入关联性信息。
放一个直观的例子，蓝色代表检测到的物体，橙色框和数值代表对该次检测有帮助的关联信息。

实际上以往也有人尝试过类似的工作，但是由于关联性涉及到对其它物体特征和位置的假设等原因，一直不是个容易的问题，本文作者从google在NLP文章Attention is all you need方面的一篇论文中的Attention模块得到启发，设计了本文的这种思路。

2. Object Relation Module

这个模块的特点就是联合所有object的信息来提升每个object recognition的准确性。它的模块示意图如下图所示：

作者设计的 Attention 权重由两部分组成，外观特征关系权重和空间关系权重。

解释下，这里的 $f_A^n$ 代表第n个物体的apperance特征，其实就是物体自身的大小、颜色、形状这些外观上的特征，而 $f_G^n$ 对应的是是第n个物体的geometry特征，代表物体的位置和大小(bounding box)。这里有多个relation模块（数量为 $N_r$ ），可以类比神经网络中我们每层都会有很多不同的通道，以便于学习不同种类的特征……每个relaiton模块都用所有object的两个特征做输入，得到不同的relaiton特征后再concat，并和物体原来的特征信息融合，作为物体的最终特征……
那么右面的图怎么理解呢？看下面的公式：

$f_R(n)$ 是第n个relation模块的输出，它是由各个所有物体的apperance特征经过Wv的维数变化后，又赋予不同的权重叠加得到的……位置特征是体现在权重里的，第m个物体对于当前第n个物体的权重 $\omega^{mn}$ 的求法如下：

公式分母是个归一化的项，重点看分子，主要是由两者决定的，那就是第m个物体对于当前第n个物体在geometry上的权重 $\omega_G^{mn}$ 和在apperance上的权重 $\omega_A^{mn}$ ，它们各自的求法如下：

这里的WK，WQ包括下面的WG都起到类似的变化维数的效果，dot代表点乘，dk是点乘后的维数；比较值得在意的是这里的 $\varepsilon_G$ ，这里是通过另一篇论文（Attention Is All You Need）中提到的方法将低维数据映射到了高维，映射后的维数为dg。
作者选取了dk=dg=64,Nr=16。总结一下这个模块的求法：

分别根据两个特征计算它们各自的权重
由两个特征的权重获得总权重
按照第m个物体对当前物体的总权重，加权求出各个relation模块
concat所有relation模块，与原来的特征叠加，最终输出通道数不变的新特征

在这个过程中，要留意通道数，比如16个relation模块输出concat可以和$f_A^n$叠加，那么它们每个的通道应该就是 $f_A^n$ 的通道数（记作df）的16分之一。
这个模块直接应用在第二阶段，得到和原来相同的Output（score和bbox），应用是直接在fc层之后，即从原来的：

改变为：

r1,r2代表重复次数，也可以用图来表示：

3. Duplicate removal

作者的另一个贡献就是提出了这种可以代替NMS的消除重复框的方法。框架如下：

要先说明的是，作者把duplicate removal当成一个二分类问题，对于每个ground truth，只有一个detected object被归为correct类，而其余的都是duplicate。
这个模块的输入是instance recognition模块的output，也就是一系列的detected objects，它们每个都有1024-d的特征，分类分数s0还有bbox。而输出则是s0*s1得到的最终分类分数。

s1是怎么算的呢？首先，对于detected objects作者按照它们的scores对它们进行排名，然后将scores转化为rank，据作者说这样更加有效，随后rank信息会按照类似$\varepsilon_G$的求法映射到高a和sigmoid函数，得到$s_1$。

如何判断哪个detected object是correct，而哪些是duplicate?在这里，作者设置了一个阈值 $\eta$ ，凡是IoU超过该阈值的样本都会被选择；接着，在选择的样本中，IoU值最大的为correct，其余为duplicate。当对定位要求比较高的时候，可以设置较高的 $\eta$ ，相应的被选择的样本就会发生变化，s1也会发生变化，直接影响最终的分数。
作者认为这样做的好处如下：

output的时候，NMS需要一个预设置的参数；而duplicate removal模块是自适应学习参数的。
通过设置不同的 $\eta$ ，可以将模块变成多个二分类问题，并取其中最高的值作为输出，作者经过试验，证明这种方式较单一阈值的方式更可靠。
作者发现阈值的设置和最后的指标有某种联系。例如mAP0.5在 $\eta$ 为0.5时的效果最好，mAP0.75的t同理，而mAP使用多个 $\eta$ 效果最好。
最后，就是 $\eta$ 的含义问题。之前也发过邮件和作者沟通，对方的回复是，它本质上代表的是分类和定位问题的权重，它的值设置得越高，说明网络越看重定位的准确性。

这里作者也提出了问题：

只有一个样本被划分为correct，会不会导致严重的正负样本不均衡？

答案是否定，网络工作的很好，这是为什么呢？因为作者实际运行发现，大多数的object的s0得分很低，因此s0和s1就很小，从而导致 $L = -log(1-s_0s_1)$ 和梯度 $\frac{\partial L}{\partial s_1}$ 都会比较小。

设计的两个模块功能是否矛盾？因为instance recognition要尽可能多地识别出high scores的物体，而duplicate removal的目标是只选择一个正样本。作者认为这个矛盾是由s0和s1来解决的，instance recognition输出的高s0可以通过较低的s1来调节。

duplicate removal是一个可以学习的模块，和NMS不同，在end2end训练中，instance recognition输出的变化会直接影响到该模块，是否会产生不稳定性？答案也是否定的，实际上，作者发现end2end的训练方式更好，作者认为这是由于不稳定的label某种程度上起到了平均正则化的作用。
4. Experiment
作者主要使用了ResNet 50和101，用两个fc层作为baseline进行了很多对比实验。
包括：

验证检测阶段的效果

作者将使用两个FC层的网络设为baseline。
（1）空间特征
    为了验证空间特征的有效性，作者设计了3组实验。将空间关系权重置为1，记为 none；将空间特征嵌入到高维，维度与fA相同，然后将该特征与fA相加，记为 unary。实验结果如表1（a）所示。
（2）关系数量Nr
    结果如表1（b）所示。
（3）关系模块的数量
    分别在两个FC层后添加不同数量的关系模块，实验结果如表1（c）所示。

效果的提升是来自参数和层数的增加吗？表2对比了不同深度，宽度的网络结构。

验证去重阶段效果

表3验证了去重网络所使用的特征是否有效。可以看出 rank 特征和 bbox 特征起了很重要的作用。

表4与NMS算法进行对比

端到端的目标识别

作者使用不同的检测框架，进行对比。每一个网络框架，分别使用了 2fc head+SoftNMS -> 2fc+RM head+SoftNMS -> 2fc+RM head+e2e(end-to-end)三种网络结构。实验结果如表5所示。

5. Summary
本文主要是在detection当中引入了relation的信息，我个人觉得算是个很不错的切入点，而且motivation是源自NLP的，某种方面也说明了知识宽度的重要性。但是一个比较可惜的点就是，relation module更像是拍脑袋思考了一个方法然后直接去实验验证了，对于relation到底学到了什么，能不能更好地理解这个信息，作者认为这还是个有待解决的问题。期待在relation问题上能看到更多有趣的思路吧。