ECCV2022 | FPN错位对齐，实现高效半监督目标检测 (PseCo)

来源丨https://zhuanlan.zhihu.com/p/544346080编辑丨极市平台

本文首先讨论了把pseudo labeling和consistency training直接迁移到目标检测中的不适配现象，然后再解释如何通过FPN的错位训练实现高效半监督目标检测，并取得SOTA的表现。 

论文链接：https://arxiv.org/abs/2203.16317代码链接：https://github.com/ligang-cs/PseCo

半监督目标检测是研究，在有一部分标注数据的前提下，如何利用大量的无标注数据来提升检测器性能。广泛采用的pipeline是Mean-Teacher，即，通过EMA来实时生成teacher model，然后，让teacher model生成伪标签，用于监督student model的训练。但是，Mean-Teacher的范式，很容易出现over-confidence的问题，student model很容易过拟合teacher model的预测。为了缓解over-confidende，FixMatch提出了对teacher和student分别使用不同强度的数据增广，具体地，对teacher的输入采用弱数据增广(flip, scale jitter等)，保证伪标签的质量；而对student的输入，采用强数据增广(rotate, color jitter，一些几何形变等)，增加student的训练难度，防止过拟合。

Pseudo labeling和consistency training是半监督学习里面的两个关键技术，但是直接迁移到目标检测上，会出现一些不适配的现象。我们详细分析了一下，具体的不适配有哪些：

pseudo labeling通过设置一个较高的score threshold，把Teacher model预测的置信度较高的检测结果保留下来，作为伪标签(pseudo boxes)。但是在目标检测中，分类score和box的定位质量往往没有强相关，score较高的pseudo box可能定位并不准。所以，Pseudo box中难免存在一些定位不准的box框。那么，定位不准的pseudo box会给半监督训练带来哪些影响呢？1. 会影响IoU-based label assignment；如下图1，质量很差的proposal会被错误地assign成正样本，模糊正负样本的分类边界。2. 不准确的Pseudo Box不适合用来训练bbox回归的任务。为了缓解这两个影响，我们分别设计了Prediction-guided Label Assignment (预测引导的标签分配， PLA)和Positive-proposal Consistency Voting (正样本一致性投****，PCV)，来实现比较鲁棒的带噪伪标签学习。其中，PLA根据Teacher prediction来分配正负样本，减少了对IoU的依赖；PCV根据proposal的预测一致性，来反映pseudo box的定位质量，抑制定位不准的pseudo box。图1 coarse pseudo box (黄色框)会误导label assignment

consistency training通过在student训练过程中，加入一些扰动，让模型的预测结果对扰动保持 鲁棒，从而学到一些重要的不变性。尺度不变性(scale invariance)作为目标检测最重要的几个属 性之一，一直收到广泛的关注。但是以前的工作，仅仅采用random resize来学习尺度不变性，对 输入图像做比例为  的缩放，同时也会对ground truth做相应比例  的缩放，我们把这种一致性 叫作label-level consistency.除了这种label-level的尺度不变性外，其实目标检测网络还有 feature层面的尺度不变性。通俗的说就是，对于同一张image，我们把它放缩到两种不同的scale (比如 scale , scale  )，如果能让它们的feature拥有一样的shape，即 Feat scale  的tensor维 督。得益于FPN的金字塔结构，feature层面的对齐很容易实现。我们提出了一种Multi-view Scale-invariant Learning (多视角尺度不变性学习，MSL)，同时从label- and feature-level consistency的角度，学习尺度不变性，实现了高效的半监督学习。

图2 PseCo的frameworkPseCo的framework如图2所示。在unlabeled data上，我们对输入图像分别做不同的scale jitter，构建出view 0和view 1，其中，view 0是teacher model的输入，而view 1是student model的输入，通过view 0 - view 1 pair的学习，label-level consistency被实现，这也就是之前大家常用的random resize. 接着，我们对view 1做2倍下采样，得到view 2。由于FPN的特征金字塔，view 1的P3-P7 features和view 2的P2-P6 features，可以实现完美的对齐。我们用相同的Pseudo Boxes来监督view 1的P3-P7层和view 2的P2-P6层。这个可以理解成FPN的错位训练。至此，我们在一个网络中，通过label-level and feature-level consistency，实现了更加全面的尺度不变性学习。关于两种consistency的比较，可参考图3.图3 label-level和feature-level consistency比较。feature level的对齐，可以通过移动FPN pyramid level来实现对于Pseudo labeling的改进，我们提出了PLA和PCV，分别从分类任务和回归任务的角度，来实现鲁棒带噪标签学习。PLA (prediction-guided label assignment)提出了一种label assignment的方式，比传统的IoU-based策略，更适合应对带噪的标签。PLA对每个GT，先构造了一个更大的candidate bag，包含了所有的、有潜力成为正样本的proposals (or candidates)，然后根据teacher model在这些candidates上的预测结果，来评判每个candidate的质量，最后选取质量最高的top-N个candidates作为正样本。PLA减少了label assignment对IoU的依赖，避免了不准确的pseudo box对label assignment的消极影响。此外，PCV（positve-proposal consistency voting) 直接对Pseudo Box的定位精度做出了判断，定位准确的Pseudo Box会被分配比较大的regression loss weight，反之，就分配小的reg loss weight. 细节上，因为在目标检测中，1个GT往往会匹配多个positive proposals，我们发现这些positive proposals的回归一致性能够反映出对应的pseudo box的定位精度，更多细节请参考论文。

我们在partial labeled和full labeled settings下，都取得了SOTA的性能。此外，我们的训练效率也非常高，如图4所示，在5%和10%标签比例下，我们都仅用了不到一半的训练时长，就达到了Soft Teacher的精度。虽然我们增加了一个view 2，但是因为view 2的图片分辨率非常小，增加的训练开销很小，每个iteration增加的的训练时长不到20%.图4 PseCo收敛速度

(1) unlabeled data上的strong augmentation，一方面可以使得模型学习到一些重要的不变性，另一方面，可以增加训练难度，有效缓解over-confidence。如果不加强aug的话，训练后期会出现一个现象：拟合pseudo label会拟合得越来越好，但是mAP就是不涨。本文提出的MSL，或者叫FPN错位训练，其实也是提供了一种强aug，让student model同时处理两种训练模式，不容易过拟合：一种是高分辨率输入，P3-P7训练；另一种是低分辨率输入，P2-P6训练。其实，MAE的masked image也可以看做强aug，似乎可以融入到半监督中。(2)  在实际使用中，unlabeled data更可能是out-of-distribution的，和labeled data不在同一个domain。如何从ood的unlabeled data中高效学习出有用的信息，是比较难的。比如，如果做人脸检测，labele data用WiderFace，unlabeled data用MS COCO，可能这个设定下的半监督学习就是无效的。甚至，会因为网络更多地拟合unlabeled data的domain，导致掉点。(3)  现在Teacher model仅仅提供pseudo box给student model训练，这种pseudo box是比较稀疏的监督信息。在此基础上，我们提出了Dense Teacher Guidance (https://arxiv.org/abs/2207.05536)，研究如何从Teacher prediction中挖掘出更多的监督信息。

本文仅做学术分享，如有侵权，请联系删文。