1. 背景介紹

近年來(lái)，大規(guī)模預(yù)訓(xùn)練后微調(diào)優(yōu)化方法在計(jì)算機(jī)視覺(jué)中取得了重大進(jìn)展。一系列預(yù)訓(xùn)練算法被設(shè)計(jì)出來(lái)，以學(xué)習(xí)特定領(lǐng)域的或任務(wù)感知的概念，以提升下游性能。就目標(biāo)檢測(cè)而言，當(dāng)前方法通常利用ImageNet來(lái)預(yù)訓(xùn)練骨干網(wǎng)絡(luò)，采用面向分類的監(jiān)督。然而，與面向檢測(cè)的微調(diào)過(guò)程相比，這種預(yù)訓(xùn)練方法存在三個(gè)差異，如圖1所示。

數(shù)據(jù):大多數(shù)預(yù)訓(xùn)練方法是在單個(gè)以物體為中心的數(shù)據(jù)集上進(jìn)行的，如ImageNet。但是，檢測(cè)數(shù)據(jù)集，例如COCO，通常由不同尺度和位置的多個(gè)物體組成。數(shù)據(jù)特征和領(lǐng)域上的差異可能導(dǎo)致預(yù)訓(xùn)練偏離下游任務(wù)。

模型:由于檢測(cè)器的多樣性和復(fù)雜性，當(dāng)前預(yù)訓(xùn)練算法主要關(guān)注模型內(nèi)的部分模塊(例如骨干網(wǎng)絡(luò))。檢測(cè)器中的某些關(guān)鍵組件(例如RPN和回歸頭)仍然是隨機(jī)初始化的。

任務(wù):現(xiàn)有預(yù)訓(xùn)練方法僅將分類任務(wù)視為替代任務(wù)，未能捕獲包括建議生成、目標(biāo)分配和框回歸在內(nèi)的與物體相關(guān)的位置上下文。

這些差異可能導(dǎo)致受限的結(jié)果、較差的泛化能力和較慢的收斂速度。

2. 相關(guān)知識(shí)補(bǔ)充

目標(biāo)檢測(cè)。 當(dāng)前的目標(biāo)檢測(cè)算法可以根據(jù)不同的預(yù)測(cè)流程分為基于錨點(diǎn)、基于點(diǎn)和基于查詢的方法。基于錨點(diǎn)的方法在每個(gè)像素上生成多個(gè)具有預(yù)定義大小和尺度的錨點(diǎn)。它們通常通過(guò)交并比將訓(xùn)練樣本劃分為正樣本和負(fù)樣本。基于點(diǎn)的方法旨在找到與每個(gè)對(duì)象相對(duì)應(yīng)的參考點(diǎn)，這可以是每個(gè)實(shí)例的中心點(diǎn)，預(yù)定義或自學(xué)習(xí)的關(guān)鍵點(diǎn) 。與基于錨點(diǎn)和基于點(diǎn)的方法中使用預(yù)定義的先驗(yàn)知識(shí)不同，基于查詢的方法通過(guò)一組可學(xué)習(xí)的查詢來(lái)表示不同的對(duì)象。

自監(jiān)督預(yù)訓(xùn)練。 自監(jiān)督學(xué)習(xí)充分利用了大量無(wú)標(biāo)注數(shù)據(jù)來(lái)學(xué)習(xí)結(jié)構(gòu)化的數(shù)據(jù)特征，預(yù)訓(xùn)練的權(quán)重被轉(zhuǎn)移到下游任務(wù)中以確保良好的初始化。已經(jīng)為無(wú)監(jiān)督預(yù)訓(xùn)練提出了許多替代任務(wù)，例如特征聚類 ，著色，上下文預(yù)測(cè)，旋轉(zhuǎn)預(yù)測(cè)和圖像填充。一方面，對(duì)比學(xué)習(xí)通過(guò)最大化來(lái)自同一實(shí)例的不同視圖的相似度來(lái)捕獲良好的表征 ，在多個(gè)下游任務(wù)中取得了有競(jìng)爭(zhēng)力的性能。另一方面，Mask Image Modeling (MIM)最近在自監(jiān)督學(xué)習(xí)中引起了越來(lái)越多的關(guān)注。MIM不需要特定的數(shù)據(jù)增強(qiáng)，并且對(duì)下游任務(wù)具有更強(qiáng)大的泛化能力。

目標(biāo)檢測(cè)的自監(jiān)督預(yù)訓(xùn)練。 盡管無(wú)監(jiān)督預(yù)訓(xùn)練在目標(biāo)檢測(cè)中顯示出了有競(jìng)爭(zhēng)力的結(jié)果，但直接將圖像級(jí)預(yù)訓(xùn)練知識(shí)轉(zhuǎn)移到密集級(jí)下游任務(wù)存在一系列不一致之處。為減小預(yù)訓(xùn)練和微調(diào)之間的差距，一些方法通過(guò)探索不同視圖之間的局部特征相似性來(lái)提出密集級(jí)對(duì)比學(xué)習(xí)。一些研究人員發(fā)現(xiàn)僅預(yù)訓(xùn)練骨干網(wǎng)絡(luò)是不夠的，他們嘗試預(yù)訓(xùn)練其他常見模塊，如FPN 。然而，這些方法需要從頭開始進(jìn)行大量的預(yù)訓(xùn)練，檢測(cè)器中的其他關(guān)鍵模塊(如RetinaNet 中的回歸頭)仍然是隨機(jī)初始化的。另一方面，UP-DETR和DETReg 通過(guò)引入?yún)^(qū)域匹配和特征重構(gòu)替代任務(wù)來(lái)預(yù)訓(xùn)練整個(gè)DETR樣式檢測(cè)器。盡管這些方法可以對(duì)整個(gè)模型進(jìn)行充分的預(yù)訓(xùn)練，但DETR定向的替代任務(wù)無(wú)法直接應(yīng)用于其他檢測(cè)方法。相比之下，AlignDet實(shí)現(xiàn)了各種檢測(cè)器的高效充分的自監(jiān)督預(yù)訓(xùn)練。

3. 方法詳解

最近的工作通過(guò)構(gòu)建無(wú)監(jiān)督預(yù)訓(xùn)練替代任務(wù)來(lái)擴(kuò)展“預(yù)訓(xùn)練和微調(diào)”方法，與僅使用監(jiān)督預(yù)訓(xùn)練的方法相比，這些方法取得了更高的性能。然而，與檢測(cè)過(guò)程相比，當(dāng)前預(yù)訓(xùn)練方法在數(shù)據(jù)、模型和任務(wù)上存在不一致之處，如圖1所示。盡管可以通過(guò)大規(guī)模標(biāo)注數(shù)據(jù)集的訓(xùn)練來(lái)緩解這些不一致，但它需要巨大的計(jì)算資源和手工標(biāo)注成本。這些問(wèn)題和局限激發(fā)我們提出AlignDet，一個(gè)通用的自監(jiān)督框架，用于減小預(yù)訓(xùn)練和微調(diào)階段中的差異。

圖2 AlignDet的預(yù)訓(xùn)練流程圖。監(jiān)督和自監(jiān)督預(yù)訓(xùn)練都可以用于圖像域階段，以捕捉整體視覺(jué)概念。對(duì)于框域預(yù)訓(xùn)練，首先采用選擇性搜索生成無(wú)監(jiān)督建議作為偽標(biāo)簽，然后對(duì)每個(gè)建議進(jìn)行擴(kuò)充，構(gòu)建兩個(gè)具有不同尺度和變換的視圖。每個(gè)預(yù)測(cè)框用于構(gòu)建對(duì)比學(xué)習(xí)和協(xié)調(diào)相關(guān)損失，以適應(yīng)檢測(cè)任務(wù)。

整個(gè)預(yù)訓(xùn)練流程如圖2所示。在以下小節(jié)中，我們分別在第3.1節(jié)和第3.2節(jié)中介紹圖像域預(yù)訓(xùn)練和框域預(yù)訓(xùn)練。我們提供了偽代碼，以便更直觀地理解AlignDet流程，以及與其他方法在技術(shù)細(xì)節(jié)上的比較見補(bǔ)充材料。

3.1 圖像域預(yù)訓(xùn)練

圖像域預(yù)訓(xùn)練優(yōu)化骨干網(wǎng)絡(luò)，為后續(xù)的框域預(yù)訓(xùn)練提取高層語(yǔ)義特征，如圖2左側(cè)的步驟1所示。一方面，給定圖像x，骨干網(wǎng)絡(luò)可以在完全監(jiān)督的設(shè)置下與分類器和分類類別進(jìn)行預(yù)訓(xùn)練。另一方面，最近出現(xiàn)的無(wú)監(jiān)督學(xué)習(xí)算法有助于通過(guò)大量無(wú)標(biāo)注數(shù)據(jù)捕獲更普適的表征。以SimSiam 為例，從輸入圖像中構(gòu)造兩個(gè)視圖和，并采用不同的數(shù)據(jù)增強(qiáng)。骨干網(wǎng)絡(luò)可以通過(guò)最大化不同視圖的相似性來(lái)學(xué)習(xí)普適的表征，并且利用預(yù)測(cè)器和停止梯度用來(lái)防止模式崩潰。

圖像域預(yù)訓(xùn)練通常在大規(guī)模的圖像分類數(shù)據(jù)集(如ImageNet)上進(jìn)行，其中每個(gè)樣本主要包含一個(gè)或少數(shù)幾個(gè)主要物體位于圖像中心。這里存在一個(gè)差距，因?yàn)樵陬A(yù)訓(xùn)練過(guò)程無(wú)法訪問(wèn)包含不同尺度和位置的多個(gè)物體目標(biāo)數(shù)據(jù)集。此外，檢測(cè)頭仍然是隨機(jī)初始化的，回歸工作在此圖像域預(yù)訓(xùn)練中也未明確學(xué)習(xí)到。為此，我們?cè)O(shè)計(jì)框域預(yù)訓(xùn)練以減小這些差異。

3.2 框域預(yù)訓(xùn)練

4. 結(jié)論

本文中，我們指出預(yù)訓(xùn)練和微調(diào)階段在目標(biāo)檢測(cè)中存在數(shù)據(jù)、模型和任務(wù)的差異，并提出了AlignDet來(lái)解決這些問(wèn)題。AlignDet學(xué)習(xí)分類和回歸知識(shí)，實(shí)現(xiàn)高效針對(duì)所有模塊的預(yù)訓(xùn)練。值得注意的是，AlignDet是第一個(gè)實(shí)現(xiàn)各種檢測(cè)器完全無(wú)監(jiān)督預(yù)訓(xùn)練的框架。我們廣泛的實(shí)驗(yàn)表明，AlignDet可以在各種設(shè)置下顯著提升檢測(cè)性能，包括不同的檢測(cè)器、骨干網(wǎng)絡(luò)、數(shù)據(jù)設(shè)置和微調(diào)計(jì)劃。我們相信我們的工作為目標(biāo)檢測(cè)中的預(yù)訓(xùn)練問(wèn)題提供了有價(jià)值的洞見，并開辟了新的研究方向。




審核編輯：劉清