即扫即识，微信“扫一扫”识物为什么可以这么快？

在微信AI背后，技术究竟如何让一切发生？关注微信AI公众号，我们将为你一一道来。今天我们将放送 微信AI技术专题系列“微信扫一扫的技术与艺术”的第二篇 ——《揭秘“扫一扫”识物的移动端物体检测》。

“扫”是“扫一扫”识物的亮点，带来更为便捷的用户体验。相比于“拍”的交互方式，“扫”的难点在于如何 自动地选择包含物体的图像帧 ，这离不开 高效的移动端物体检测 。

“扫一扫”识物是一种面向开放环境的通用物体检测——复杂多样的物体形态要求模型具有强的泛化性，移动端的计算瓶颈又要求模型保持高的实时性。

“扫一扫”识物需要一个什么样的移动端检测（Class-wise or Object-ness）呢？Class-wise检测（即传统意义上的物体检测）的优势在于同时输出物体的位置和类别，然而开放环境下的物体类别很难准确定义和完整覆盖。

因此，我们将问题定义为 Object-ness检测（即主体检测）：只关注是否为物体和物体的位置，并不关心物体的具体类别。 Object-ness的物体检测对多样化的物体具有更强的普适性，同时大大减轻模型的负担来保证其实时性。这是“扫一扫”识物相比于相关竞品在移动端检测问题上定义的不同。

近几年物体检测算法日新月异，面对琳琅满目的检测模型（见图1）， 合适的才是最好的 。

图1：琳琅满目的检测器

（图中标注各个检测器的优缺点，可放大查看）

从模型的层次结构上，可分为两阶段（two-stage）和单阶段（one-stage）。

（a） Two-stage检测器以R-CNN系列（Fast R-CNN [1]、Faster R-CNN [2]、Mask-RCNN [3]）为代表 ，其模型的第一阶段输出粗糙的物体候选框（proposal），第二阶段进一步回归物体坐标和分类物体类别。Two-stage检测器的优势在于：RoIPool的候选框尺度归一化对小物体具有较好的鲁棒性；进一步的区域（region）分类对于较多类别的检测需求更为友好。

（b） One-stage检测器以YOLO和SSD系列（YOLO V1-V3 [4-6]、SSD [7]、RetinaNet [8]）为代表 ，其特点是全卷积网络（FCN）直接输出物体的坐标和类别，为移动端加速提供了便利。

对于“扫一扫”识物中主体检测的应用场景，小物体和多类别的需求不如实时性来得强烈，因此我们选择one-stage的模型结构。

（a） 锚点（anchor）是R-CNN系列和SSD系列检测方法的特点 ：在one-stage检测器中，通过滑动窗口（slide window）产生各式各样的anchor作为候选框；在two-stage检测器中，RPN从anchor中挑选合适的候选框进行第二阶段的分类和回归。Anchor为检测器提供物体的形状先验，可有效地降低检测任务的复杂度，但经验性的anchor参数会极大地影响模型的性能。

（b） 无锚点（anchor-free）的检测器随着网络结构（如：FPN [9]、DeformConv [10]）和损失函数（如：Focal Loss [8]、IOU Loss [11]）的发展逐渐焕发出新的生机。 其中，尺度鲁棒的网络结构增强模型的表达能力，训练鲁棒的损失函数解决样本的平衡和度量问题。Anchor-free方法以YOLO V1-V2 [4-5]及其衍生（DenseBox [12]、DuBox [13]、FoveaBox [14]、FCOS [15]、ConerNet [16]、CenterNet [17]等）为代表。他们抛开候选框的形状先验，直接分类物体的类别和回归物体的坐标。

在“扫一扫”识物的应用场景中，复杂多样的物体形状对anchor的设计提出了巨大挑战，因此我们选择anchor-free的模型结构。

近一年来，anchor-free的检测器日新月异。然而，在移动端的应用场景下，大部分one-stage且anchor-free的检测器仍存在以下不足：

（a）多输出（Multi-head） ：为了增强模型对多尺度物体的检测能力，大部分检测器（如：FoveaBox [14]、DuBox [13]、FCOS [15]）普遍采用多头输出来提高模型的尺度鲁棒性。其中，低层特征满足小物体检测需求，高层特征应对大物体检测。然而，多头输出的网络结构对于移动端加速并不友好。

（b）后处理（Post-process） ：为了解决anchor先验缺失和multi-head结果整合的问题，大部分检测器都需依赖复杂的后处理，如：非极大值抑制（NMS）和各式各样的奇技淫巧（trick），但它们普遍不适合并行化加速。

综上，我们选取 CenterNet 作为“扫一扫”识物的移动端检测模型（见图2）。 CenterNet是one-stage的anchor-free检测方法，single-head的输出和高斯响应图的回归使其不依赖NMS的后处理。 CenterNet将目标检测问题变成一个标准的关键点估计问题：通过全卷积网络得到中心点的热力图（峰值点即中心点），并预测峰值点对应的物体宽高信息。此外，我们引进了TTFNet [18]中高斯采样、高斯加权和GIOU Loss [19]等技术实现CenterNet的训练加速，仅需5小时即可在4块Tesla P4下完成MS-COCO的训练，这为模型调参和优化节省了大量的时间。

图2：CenterNet: Objects as points

针对移动端的检测需求，首先我们将CenterNet的骨干网络（backbone）从ResNet18更换为对移动设备更为友好的ShuffleNetV2 [20]。然而，仅仅依赖backbone带来的效能提升是有限的，对此我们进行针对性的模型优化。

从ResNet到ShuffleNetV2主要影响了模型的深度和感受野。在以热力图回归的CenterNet中，模型的感受野显得异常重要。

如何在保持网络轻量的前提下提高模型的感受野呢？从AlexNet到VGG，VGG通过将大尺度的卷积核拆解为多个小尺度的卷积核（1个5x5→2个3x3）：在相同感受野下，2个3x3卷积的参数量和计算量均只有1个5x5的18/25。

然而，这在深度（depth-wise）卷积的时代并不适用。在ShuffleNet中，5x5的depth-wise卷积获得两倍感受野，仅比3x3的depth-wise卷积增加极少的计算量（如图3）。因此，我们将ShuffleNetV2中所有的depth-wise卷积均替换为5x5卷积。因为缺少ImageNet预训练的5x5模型，我们取巧地将3x3的ShuffleNetV2预训练模型进行卷积核的零扩边（zero padding），得到5x5的大卷积核ShuffleNetV2。

图3：大感受野的depth-wise卷积

CenterNet的检测头使用类U-Net [21]的上采样结构，可有效地融合低层细节信息，从而提高对小物体的检测性能。然而，CenterNet的检测头并未针对移动端进行优化，因此我们对其进行ShuffleNet化改造（见图4红框）。

图4：CenterNet检测头的结构优化

首先，将检测头的所有普通3x3卷积替换为5x5的depth-wise卷积，并将可形变卷积（DeformConv）也改造为depth-wise的可形变卷积。

其次，参照ShuffleNet通道压缩的技巧，将CenterNet中多层特征的残差融合（residual）改造为通道压缩的连接融合（concat）。通过大感受野（Large RF）和轻检测头（Light Head），优化后的模型在MS-COCO数据库在计算量（FLOPs）、参数量（Parameters）和检测性能（mAP）均取得优异的结果，见表1。

表1：在MS-COCO下物体检测的对比

然而，可形变卷积（DeformConv）对移动端加速并不友好，因此我们需要重新设计DeformConv的替代品。DeformConv可自适应地对多尺度信息进行抽取，在MS-COCO中的小物体检测起到巨大作用。

“扫一扫”识物对小物体的检测需求并不是非常强烈，DeformConv更多的是提供多样化的尺度特征。对此，我们借鉴图像分割方法PSPNet [22]（见图5）的金字塔池化（Pyramid Pooling Module，PPM），提出了金字塔插值（Pyramid Interpolation Module，PIM）同时实现多尺度特征的融合和特征图的插值（见图4蓝框）。PIM中主要包括三条分支进行2倍上采样：空洞解卷积，卷积+上采样，全局平均池化+全连接。其中，“空洞解卷积”对应大尺度特征；“卷积+上采样”对应小尺度特征；“全局平均池化+全连接”对应全局特征。在ShuffleNetV2 x0.5的骨干网络下，表2对比了各种上采样方法对检测性能的影响，可见PIM有效地替代DeformConv在“扫一扫”识物中的作用。

图5：PSPNet的金字塔池化模块

表2：不同上采样方法在“扫一扫”识物中的效果对比

（测试集包含7k张图片）

通过以上优化，我们最终采用表2中最优结果作为“扫一扫”识物的移动端检测模型。该模型采用基于pytorch框架的mmdetection作为训练工具。在移动端部署上，我们采用ncnn框架，将pytorch模型转换为onnx模型再转换为ncnn模型，并在转换过程中将参数量化到16bit。

此外，为了进一步减小模型体积和加速，我们将网络中conv/bn/scale三个连续的线性操作融合为一个conv层，在不影响效果的同时可减少约5%的参数量，并提速约5%~10%。最终， “扫一扫”识物的移动端检测模型仅436 KB，在iphone 8的A11 CPU上的单帧检测时间仅15ms。

目前“扫一扫”移动端检测只是开端，移动端物体检测的发展也才刚刚开始。抛开“扫一扫”识物的场景，CenterNet在通用的物体检测上仍存在以下问题：如何解决类别增加带来的检测头爆炸性增长？可形变卷积（DeformConv）是否存在更通用的替代品？U-Net式的上采样结构是否可进一步优化？路漫漫其修远兮，在我们后续工作中将针对这些问题进行探索。

参考文献

[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.