ECCV2020 GigaVision挑戰(zhàn)賽,深蘭科技包攬十億級像素雙賽道冠軍
DeepBlueAI團隊榮獲兩項第一
任務一:
任務二:
賽題特點
圖像分辨率極高、近景和遠景目標尺度差異大 十億像素級的超高分辨率是整個數據集的核心問題。一方面,由于計算資源的限制,超高分辨率使得網絡無法接受大圖作為輸入,而單純將原圖縮放到小圖會使得目標丟失大量信息。另一方面,圖像中近景和遠景的目標尺度差異大,給檢測器帶來了巨大的挑戰(zhàn)。目標在圖像中分布密集,并且遮擋嚴重 數據集均從廣場、學校、商圈等真實場景采集,其人流和車輛密度極大。同時,行人和車輛的擁擠、遮擋等情況頻發(fā),容易造成目標的漏檢和誤檢。
主要工作
賽道一 Pedestrian & Vehicle Detection
根據以往積累的經驗,團隊首先將原圖縮放到合適尺度,并使用基于Cascade RCNN的檢測器直接檢測行人的三個類別和車輛,將其作為Baseline: Backbone + DCN + FPN + Cascade RCNN,并在此基礎上進行改進。
實驗結果顯示,模型存在大量的誤檢和漏檢。這些漏檢和無意義的檢測結果大幅降低了模型的性能。團隊將上述問題歸納為兩方面的原因:
訓練和測試時輸入模型的圖像尺度不合適。圖像經過縮放后,目標的尺度也隨之變小,導致遠景中人的頭部等區(qū)域被大量遺漏。
網絡本身的分類能力較弱。行人的可見區(qū)域和全身區(qū)域十分相似,容易對分類器造成混淆,從而產生誤檢。
根據上述問題,團隊進行了一些改進。首先,使用滑動窗口的方式切圖進行訓練;瑒哟翱谇袌D是一種常用的大圖像處理方式, 這樣可以有效的保留圖像的高分辨率信息,使得網絡獲得的信息更加豐富。如果某個目標處于切圖邊界,根據其IOF大于0.5來決定是否保留。其次,對于每個類別采用一個單獨的檢測器進行檢測。經過實驗對比,對每個類別采用單獨的檢測器可以有效的提高網絡的效果,尤其是對于可見區(qū)域和全身區(qū)域兩類。 同時向檢測器添加了Global Context (GC) block來進一步提高特征提取能力。GC-Block結合了Non-local的上下文建模能力,并繼承了SE-Net節(jié)省計算量的優(yōu)點,可以有效的對目標的上下文進行建模。
除Cascade RCNN外,還采用了Generalize Focal Loss (GFL)檢測器進行結果互補。GFL提出了一種泛化的Focal Loss損失,解決了分類得分和質量預測得分在訓練和測試時的不一致問題。
最后,將各檢測器的結果使用Weighted Box Fusion (WBF)進行融合,形成了最終的解決方案。傳統(tǒng)的NMS和Soft-NMS方法會移除預測結果中的一部分預測框,而WBF使用全部的預測框,通過進行組合來獲得更加準確的預測框,從而實現(xiàn)精度提升。整體pipeline如下圖所示:
實驗結果:

請輸入評論內容...
請輸入評論/評論長度6~500個字