本文經(jīng)計(jì)算機(jī)視覺(jué)研究院公眾號(hào)授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請(qǐng)聯(lián)系出處。

源代碼：https://arxiv.org/pdf/2112.08782.pdf

一、前言

交通標(biāo)志檢測(cè)對(duì)于無(wú)人駕駛系統(tǒng)來(lái)說(shuō)是一項(xiàng)具有挑戰(zhàn)性的任務(wù)，特別是對(duì)于多尺度目標(biāo)的檢測(cè)和檢測(cè)的實(shí)時(shí)性問(wèn)題。在交通標(biāo)志檢測(cè)過(guò)程中，目標(biāo)的尺度變化很大，會(huì)對(duì)檢測(cè)精度產(chǎn)生一定的影響。

特征金字塔被廣泛用于解決這個(gè)問(wèn)題，但它可能會(huì)破壞不同尺度交通標(biāo)志的特征一致性。而且，在實(shí)際應(yīng)用中，常用的方法很難在保證檢測(cè)實(shí)時(shí)性的同時(shí)提高多尺度交通標(biāo)志的檢測(cè)精度。

在今天分享中，研究者提出了一種改進(jìn)的特征金字塔模型，命名為AF-FPN，它利用自適應(yīng)注意力模塊（AAM）和特征增強(qiáng)模塊（FEM）來(lái)減少特征圖生成過(guò)程中的信息丟失并增強(qiáng)表示能力的特征金字塔。將YOLOv5中原有的特征金字塔網(wǎng)絡(luò)替換為AF-FPN，在保證實(shí)時(shí)檢測(cè)的前提下提高了YOLOv5網(wǎng)絡(luò)對(duì)多尺度目標(biāo)的檢測(cè)性能。此外，提出了一種新的自動(dòng)學(xué)習(xí)數(shù)據(jù)增強(qiáng)方法來(lái)豐富數(shù)據(jù)集并提高模型的魯棒性，使其更適合實(shí)際場(chǎng)景。在Tsinghua-Tencent 100K (TT100K) 數(shù)據(jù)集上的大量實(shí)驗(yàn)結(jié)果證明了與幾種最先進(jìn)的方法相比所提出的方法的有效性和優(yōu)越性。

二、背景

交通標(biāo)志識(shí)別系統(tǒng)化是自動(dòng)駕駛中最重要的一部分，怎樣去提升交通標(biāo)志檢測(cè)和識(shí)別技術(shù)的精度和實(shí)時(shí)性能，這個(gè)也是現(xiàn)在當(dāng)技術(shù)實(shí)際落地時(shí)需要解決的重要問(wèn)題。傳統(tǒng)的CNN通常需要大量的參數(shù)和浮點(diǎn)運(yùn)算 (FLOP) 以達(dá)到準(zhǔn)確性令人滿(mǎn)意的效果，例如ResNet-50有大約2560萬(wàn)個(gè)參數(shù)和需要4.1B FLOPs來(lái)處理大小為224×224的圖像。然而，移動(dòng)設(shè)備（例如智能手機(jī)和自動(dòng)駕駛汽車(chē)）有限的內(nèi)存和計(jì)算資源不能用于大型網(wǎng)絡(luò)的部署和推理。作為一個(gè)one-stage檢測(cè)器，使用YOLOv5是由于具有計(jì)算量小、速度快的優(yōu)點(diǎn)。

三、新框架詳細(xì)分析

• The improved YOLOv5s network framework

作為當(dāng)前YOLO系列中的最新框架，卓越的YOLOv5其靈活性使其便于快速在車(chē)輛硬件方面進(jìn)行部署。YOLOv5包含四個(gè)模型，分別是YOLOv5s、YOLOv5m、YOLOv5l和YOLOv5x。YOLOv5s是YOLO系列最小的模型，更適合部署在車(chē)載移動(dòng)硬件平臺(tái)，由于其內(nèi)存大小為14.10M，但識(shí)別精度達(dá)不到準(zhǔn)確、高效識(shí)別的要求，尤其是用于識(shí)別小規(guī)模目標(biāo)。YOLOv5的基本框架可以分為四個(gè)部分：input、backbone、neck和prediction。Input部分通過(guò)數(shù)據(jù)增強(qiáng)來(lái)豐富數(shù)據(jù)集，它具有對(duì)硬件設(shè)備要求低，計(jì)算量成本低。但是它會(huì)導(dǎo)致數(shù)據(jù)集中原來(lái)的小目標(biāo)變小，從而導(dǎo)致數(shù)據(jù)集的惡化，降低模型的泛化性能。Backbone部分主要由CSP模塊組成，它們通過(guò)CSPDarknet53執(zhí)行特征提取。FPN和PANet用于聚合Neck現(xiàn)階段的圖像特征。最后，網(wǎng)絡(luò)通過(guò)Prediction進(jìn)行目標(biāo)預(yù)測(cè)和輸出。

研究者引入AF-FPN和自動(dòng)學(xué)習(xí)數(shù)據(jù)增強(qiáng)來(lái)解決模型大小和識(shí)別精度不兼容的問(wèn)題，進(jìn)一步提高模型的識(shí)別性能。將原有的FPN結(jié)構(gòu)替換為AF-FPN，以提高識(shí)別多尺度目標(biāo)的能力，并在識(shí)別速度和準(zhǔn)確率之間做出有效的權(quán)衡。

此外，研究者去除原始網(wǎng)絡(luò)中的mosaic augmentation，并根據(jù)自動(dòng)學(xué)習(xí)數(shù)據(jù)增強(qiáng)策略使用最佳數(shù)據(jù)增強(qiáng)方法來(lái)豐富數(shù)據(jù)集并提高訓(xùn)練效果。改進(jìn)后的YOLOv5s網(wǎng)絡(luò)結(jié)構(gòu)如下圖所示。

• AF-FPN structure

AF-FPN在傳統(tǒng)特征金字塔網(wǎng)絡(luò)的基礎(chǔ)上，增加了自適應(yīng)注意力模塊（AAM）和特征增強(qiáng)模塊（FEM）。前一部分由于減少了特征通道，減少了在高層特征圖中上下文信息的丟失；后一部分增強(qiáng)了特征金字塔的表示并加快了推理速度，同時(shí)實(shí)現(xiàn)了最先進(jìn)的性能。AF-FPN的結(jié)構(gòu)如下圖所示。

AAM的具體結(jié)構(gòu)如下圖所示，作為自適應(yīng)注意力模塊的輸入，C5的大小為S=h×w。它首先通過(guò)自適應(yīng)池化層獲得不同尺度（β1×S，β2×S，β3×S）的上下文特征。然后每個(gè)上下文特征經(jīng)過(guò)1×1卷積，得到相同的通道維度256。使用雙線(xiàn)性插值將它們上采樣到S的尺度，用于后續(xù)融合。

空間注意力機(jī)制通過(guò)一個(gè)Concat層將三個(gè)上下文特征的通道合并，然后特征圖依次通過(guò)1×1卷積層、ReLU激活層、3×3卷積層和sigmoid激活層生成對(duì)應(yīng)的空間權(quán)重。生成的權(quán)重圖和合并通道后的特征圖進(jìn)行Hadamard乘積運(yùn)算，分離后加入到輸入特征圖M5中，將上下文特征聚合到M6中。最終的特征圖具有豐富的多尺度上下文信息，在一定程度上緩解了由于通道數(shù)減少而造成的信息丟失。

FEM主要利用空洞卷積根據(jù)檢測(cè)到的交通標(biāo)志的不同尺度自適應(yīng)學(xué)習(xí)每個(gè)特征圖中不同的感受野，從而提高多尺度目標(biāo)檢測(cè)和識(shí)別的準(zhǔn)確性。如上圖所示，它可以分為兩個(gè)部分：多分支卷積層和多分支池化層。多分支卷積層用于通過(guò)空洞卷積為輸入特征圖提供不同大小的感受野。并且平均池化層用于融合來(lái)自三個(gè)分支感受野的交通信息，以提高多尺度預(yù)測(cè)的準(zhǔn)確性。

• Data Augmentation

數(shù)據(jù)增強(qiáng)我就簡(jiǎn)單描述下，具體如下示例：

四、實(shí)驗(yàn)結(jié)果及可視化

Size distribution of sign instances from the TT100K

在TT100K數(shù)據(jù)集上與其他模型的性能比較

每種方法對(duì)19種交通標(biāo)志的漏檢率比較

移動(dòng)設(shè)備部署及通過(guò)攝像頭拍攝的檢測(cè)實(shí)例