揭秘微信「掃一掃」識物為什麼這麼快？
- 2020 年 3 月 3 日
- 筆記
作者：arlencai，騰訊 WXG 應用研究員
微信「掃一掃」識物已上線一段時間，在公司內外均受到極大的關注。相比於行內相關競品的「拍」，「掃一掃」識物的特點在於「掃」，帶來更為便捷的用戶體驗。「掃」離不開高效的移動端物體檢測，本文將為你揭秘。
一、背景
「掃」是「掃一掃」識物的亮點，帶來更為便捷的用戶體驗。相比於「拍」的交互方式，「掃」的難點在於如何自動地選擇包含物體的影像幀，這離不開高效的移動端物體檢測。
二、問題
「掃一掃」識物是一種面向開放環境的通用物體檢測——複雜多樣的物體形態要求模型具有強的泛化性，移動端的計算瓶頸又要求模型保持高的實時性。「掃一掃」識物需要一個什麼樣的移動端檢測（Class-wise or Object-ness）呢？Class-wise 檢測（即傳統意義上的物體檢測）的優勢在於同時輸出物體的位置和類別，然而開放環境下的物體類別很難準確定義和完整覆蓋。
因此，我們將問題定義為Object-ness 檢測（即主體檢測）：只關注是否為物體和物體的位置，並不關心物體的具體類別。Object-ness 的物體檢測對多樣化的物體具有更強的普適性，同時大大減輕模型的負擔來保證其實時性。這是「掃一掃」識物相比於相關競品在移動端檢測問題上定義的不同。
三、選型
近幾年物體檢測演算法日新月異，面對琳琅滿目的檢測模型（見圖 1），合適的才是最好的。
圖1：琳琅滿目的檢測器（圖中標註各個檢測器的優缺點，請放大查看）
（1）One-stage
從模型的層次結構上，可分為兩階段（two-stage）和單階段（one-stage）。
（a）Two-stage 檢測器以 R-CNN 系列（Fast R-CNN [1]、Faster R-CNN [2]、Mask-RCNN[3]）為代表，其模型的第一階段輸出粗糙的物體候選框（proposal），第二階段進一步回歸物體坐標和分類物體類別。Two-stage 檢測器的優勢在於：RoIPool 的候選框尺度歸一化對小物體具有較好的魯棒性；進一步的區域（region）分類對於較多類別的檢測需求更為友好。
（b）One-stage 檢測器以 YOLO 和 SSD 系列（YOLO V1-V3 [4-6]、SSD [7]、RetinaNet[8]）為代表，其特點是全卷積網路（FCN）直接輸出物體的坐標和類別，為移動端加速提供了便利。
對於「掃一掃」識物中主體檢測的應用場景，小物體和多類別的需求不如實時性來得強烈，因此我們選擇 one-stage 的模型結構。
（2）Anchor-free
（a）錨點（anchor）是 R-CNN 系列和 SSD 系列檢測方法的特點：在 one-stage 檢測器中，通過滑動窗口（slide window）產生各式各樣的 anchor 作為候選框；在 two-stage 檢測器中，RPN 從 anchor 中挑選合適的候選框進行第二階段的分類和回歸。Anchor 為檢測器提供物體的形狀先驗，可有效地降低檢測任務的複雜度，但經驗性的 anchor 參數會極大地影響模型的性能。
（b）無錨點（anchor-free）的檢測器隨著網路結構（如：FPN[9]、DeformConv [10]）和損失函數（如：Focal Loss [8]、IOU Loss[11]）的發展逐漸煥發出新的生機。其中，尺度魯棒的網路結構增強模型的表達能力，訓練魯棒的損失函數解決樣本的平衡和度量問題。Anchor-free 方法以 YOLOV1-V2 [4-5]及其衍生（DenseBox [12]、DuBox [13]、FoveaBox [14]、FCOS[15]、ConerNet [16]、CenterNet[17]等）為代表。他們拋開候選框的形狀先驗，直接分類物體的類別和回歸物體的坐標。
在「掃一掃」識物的應用場景中，複雜多樣的物體形狀對 anchor 的設計提出了巨大挑戰，因此我們選擇 anchor-free 的模型結構。
（3）Light-head
近一年來，anchor-free 的檢測器日新月異。然而，在移動端的應用場景下，大部分 one-stage 且 anchor-free 的檢測器仍存在以下不足：
（a）多輸出（Multi-head）：為了增強模型對多尺度物體的檢測能力，大部分檢測器（如：FoveaBox[14]、DuBox [13]、FCOS[15]）普遍採用多頭輸出來提高模型的尺度魯棒性。其中，低層特徵滿足小物體檢測需求，高層特徵應對大物體檢測。然而，多頭輸出的網路結構對於移動端加速並不友好。
（b）後處理（Post-process）：為了解決 anchor 先驗缺失和 multi-head 結果整合的問題，大部分檢測器都需依賴複雜的後處理，如：非極大值抑制（NMS）和各式各樣的奇技淫巧（trick），但它們普遍不適合併行化加速。
綜上，我們選取CenterNet作為「掃一掃」識物的移動端檢測模型（見圖 2）。CenterNet 是 one-stage 的 anchor-free 檢測方法，single-head 的輸出和高斯響應圖的回歸使其不依賴 NMS 的後處理。CenterNet 將目標檢測問題變成一個標準的關鍵點估計問題：通過全卷積網路得到中心點的熱力圖（峰值點即中心點），並預測峰值點對應的物體寬高資訊。
此外，我們引進了 TTFNet[18]中高斯取樣、高斯加權和 GIOU Loss[19]等技術實現 CenterNet 的訓練加速，僅需 5 小時即可在 4 塊 Tesla P4 下完成 MS-COCO 的訓練，這為模型調參和優化節省了大量的時間。
圖2：CenterNet: Objects as points
三、優化
針對移動端的檢測需求，首先我們將 CenterNet 的骨幹網路（backbone）從 ResNet18 更換為對移動設備更為友好的 ShuffleNetV2[20]。然而，僅僅依賴 backbone 帶來的效能提升是有限的，對此我們進行針對性的模型優化。
（1）大感受野（Large RF）
從 ResNet 到 ShuffleNetV2 主要影響了模型的深度和感受野。在以熱力圖回歸的 CenterNet 中，模型的感受野顯得異常重要。如何在保持網路輕量的前提下提高模型的感受野呢？從 AlexNet 到 VGG，VGG 通過將大尺度的卷積核拆解為多個小尺度的卷積核（1 個 5×5→2 個 3×3）：在相同感受野下，2 個 3×3 卷積的參數量和計算量均只有 1 個 5×5 的 18/25。然而，這在深度（depth-wise）卷積的時代並不適用。在 ShuffleNet 中，5×5 的 depth-wise 卷積獲得兩倍感受野，僅比 3×3 的 depth-wise 卷積增加極少的計算量（如圖 3）。
因此，我們將 ShuffleNetV2 中所有的 depth-wise 卷積均替換為 5×5 卷積。因為缺少 ImageNet 預訓練的 5×5 模型，我們取巧地將 3×3 的 ShuffleNetV2 預訓練模型進行卷積核的零擴邊（zero padding），得到 5×5 的大卷積核 ShuffleNetV2。
圖3：大感受野的depth-wise卷積
（2）輕檢測頭（Light Head）
CenterNet 的檢測頭使用類 U-Net[21]的上取樣結構，可有效地融合低層細節資訊，從而提高對小物體的檢測性能。然而，CenterNet 的檢測頭並未針對移動端進行優化，因此我們對其進行 ShuffleNet 化改造（見圖 4 紅框）。
首先，將檢測頭的所有普通 3×3 卷積替換為 5×5 的 depth-wise 卷積，並將可形變卷積（DeformConv）也改造為 depth-wise 的可形變卷積。其次，參照 ShuffleNet 通道壓縮的技巧，將 CenterNet 中多層特徵的殘差融合（residual）改造為通道壓縮的連接融合（concat）。通過大感受野（Large RF）和輕檢測頭（Light Head），優化後的模型在 MS-COCO 資料庫在計算量（FLOPs）、參數量（Parameters）和檢測性能（mAP）均取得優異的結果，見表 1。
圖4：CenterNet檢測頭的結構優化
表1：在MS-COCO下物體檢測的對比
（3）金字塔插值（Pyramid Interpolation Module，PIM）
然而，可形變卷積（DeformConv）對移動端加速並不友好，因此我們需要重新設計 DeformConv 的替代品。DeformConv 可自適應地對多尺度資訊進行抽取，在 MS-COCO 中的小物體檢測起到巨大作用。「掃一掃」識物對小物體的檢測需求並不是非常強烈，DeformConv 更多的是提供多樣化的尺度特徵。對此，我們借鑒影像分割方法 PSPNet[22]（見圖 5）的金字塔池化（Pyramid PoolingModule，PPM），提出了金字塔插值（Pyramid Interpolation Module，PIM）同時實現多尺度特徵的融合和特徵圖的插值（見圖 4 藍框）。
PIM 中主要包括三條分支進行 2 倍上取樣：空洞解卷積，卷積+上取樣，全局平均池化+全連接。其中，「空洞解卷積」對應大尺度特徵；「卷積+上取樣」對應小尺度特徵；「全局平均池化+全連接」對應全局特徵。在 ShuffleNetV2 x0.5 的骨幹網路下，表 2 對比了各種上取樣方法對檢測性能的影響，可見 PIM 有效地替代 DeformConv 在「掃一掃」識物中的作用。
圖5：PSPNet的金字塔池化模組
表2：不同上取樣方法在「掃一掃」識物中的效果對比（測試集包含7k張圖片）
五、部署
通過以上優化，我們最終採用表 2 中最優結果作為「掃一掃」識物的移動端檢測模型。該模型採用基於 pytorch 框架的 mmdetection 作為訓練工具。在移動端部署上，我們採用 ncnn 框架，將 pytorch 模型轉換為 onnx 模型再轉換為 ncnn 模型，並在轉換過程中將參數量化到 16bit。此外，為了進一步減小模型體積和加速，我們將網路中 conv/bn/scale 三個連續的線性操作融合為一個 conv 層，在不影響效果的同時可減少約 5%的參數量，並提速約 5%~10%。最終，「掃一掃」識物的移動端檢測模型僅 436 KB，在 iphone8 的 A11 CPU 上的單幀檢測時間僅 15ms。
六、展望
目前「掃一掃」移動端檢測只是開端，移動端物體檢測的發展也才剛剛開始。拋開「掃一掃」識物的場景，CenterNet 在通用的物體檢測上仍存在以下問題：如何解決類別增加帶來的檢測頭爆炸性增長？可形變卷積（DeformConv）是否存在更通用的替代品？U-Net 式的上取樣結構是否可進一步優化？路漫漫其修遠兮，在我們後續工作中將針對這些問題進行探索。
七、參考文獻
[1] Girshick, Ross. "Fast R-CNN." international conference on computer vision (2015): 1440-1448. [2] Ren, Shaoqing, et al. "Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks." IEEE Transactions on Pattern Analysis and Machine Intelligence 39.6 (2017): 1137-1149. [3] He, Kaiming, et al. "Mask R-CNN." international conference on computer vision (2017): 2980-2988. [4] Redmon, Joseph, et al. "You Only Look Once: Unified, Real-Time Object Detection." computer vision and pattern recognition (2016): 779-788. [5] Redmon, Joseph, and Ali Farhadi. "YOLO9000: Better, Faster, Stronger." computer vision and pattern recognition (2017): 6517-6525. [6] Redmon, Joseph, and Ali Farhadi. "YOLOv3: An Incremental Improvement." arXiv: Computer Vision and Pattern Recognition (2018). [7] Liu, Wei, et al. "SSD: Single Shot MultiBox Detector." european conference on computer vision (2016): 21-37. [8] Lin, Tsungyi, et al. "Focal Loss for Dense Object Detection." international conference on computer vision (2017): 2999-3007. [9] Lin, Tsungyi, et al. "Feature Pyramid Networks for Object Detection." computer vision and pattern recognition (2017): 936-944. [10] Dai, Jifeng, et al. "Deformable Convolutional Networks." international conference on computer vision (2017): 764-773. [11] Yu, Jiahui, et al. "UnitBox: An Advanced Object Detection Network." acm multimedia (2016): 516-520. [12] Huang, Lichao, et al. "DenseBox: Unifying Landmark Localization with End to End Object Detection." arXiv: Computer Vision and Pattern Recognition (2015). [13] Chen, Shuai, et al. "DuBox: No-Prior Box Objection Detection via Residual Dual Scale Detectors." arXiv: Computer Vision and Pattern Recognition (2019). [14] Kong, Tao, et al. "FoveaBox: Beyond Anchor-based Object Detector." arXiv: Computer Vision and Pattern Recognition (2019). [15] Tian, Zhi, et al. "FCOS: Fully Convolutional One-Stage Object Detection." international conference on computer vision (2019): 9627-9636. [16] Law, Hei, and Jia Deng. "CornerNet: Detecting Objects as Paired Keypoints." european conference on computer vision (2019): 765-781. [17] Zhou, Xingyi, Dequan Wang, and Philipp Krahenbuhl. "Objects as Points." arXiv: Computer Vision and Pattern Recognition (2019). [18] Liu, Zili, et al. "Training-Time-Friendly Network for Real-Time Object Detection." arXiv: Computer Vision and Pattern Recognition (2019). [19] Rezatofighi, Hamid, et al. "Generalized Intersection Over Union: A Metric and a Loss for Bounding Box Regression." computer vision and pattern recognition (2019): 658-666. [20] Ma, Ningning, et al. "ShuffleNet V2: Practical Guidelines for Efficient CNN Architecture Design." european conference on computer vision (2018): 122-138. [21] Ronneberger, Olaf, Philipp Fischer, and Thomas Brox. "U-Net: Convolutional Networks for Biomedical Image Segmentation." medical image computing and computer assisted intervention (2015): 234-241. [22] Zhao, Hengshuang, et al. "Pyramid Scene Parsing Network." computer vision and pattern recognition (2017): 6230-6239. [23] Li, Zeming, et al. "Light-Head R-CNN: In Defense of Two-Stage Object Detector." arXiv: Computer Vision and Pattern Recognition (2017). [24] Wang, Jun, Xiang Li, and Charles X. Ling. "Pelee: A Real-Time Object Detection System on Mobile Devices." neural information processing systems (2018): 1967-1976.
推薦閱讀：
