席 磊，劉增力

（1.昆明理工大學(xué) 信息工程與自動化學(xué)院，云南 昆明 650500；2.昆明理工大學(xué) 云南省人工智能重點實驗室，云南 昆明 650500）

0 引 言

基于近年來卷積神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)技術(shù)以及計算機技術(shù)的進步，以神經(jīng)網(wǎng)絡(luò)為代表的目標檢測技術(shù)日益凸顯出其卓越的性能和巨大的潛力。自AlexNet［1］誕生后，神經(jīng)網(wǎng)絡(luò)用來進行目標檢測的工作逐漸增多。各種目標檢測模型層出不窮，同時檢測性能不斷提升。目前，目標檢測模型主要分為兩類，一類是以RCNN［2］為代表的雙階目標檢測器，另一類是以 SSD［3］和 YOLO［4］為代表的單階目標檢測器。SSD是最早出現(xiàn)的單階檢測器之一，不僅達到了實時檢測要求，而且在精度上取得了較好的效果。但是，SSD本身的結(jié)構(gòu)并不完善。隨著技術(shù)的更迭，SSD的改進版不斷出現(xiàn)。DSSD［5］利用性能更好的殘差網(wǎng)絡(luò)替代VGG。殘差網(wǎng)絡(luò)相對于VGG有著更好的特征提取能力，結(jié)合反卷積進行特征融合后實現(xiàn)了更高的精度，特別是對小目標的檢測，取得了更好的效果。但是，由于殘差網(wǎng)絡(luò)計算量的增加，它的檢測速度稍慢。FSSD［6］同樣采用特征融合策略將低層的特征圖拼接融合，將得到的新的尺寸為38×38的低層特征作為基礎(chǔ)進行后續(xù)的特征提取工作，提高了低層特征信息的提取能力。DenseSSD［7］在結(jié)構(gòu)中設(shè)計了DenseSkip模塊，模塊內(nèi)部采用類似瓶頸結(jié)構(gòu)，進行多次1×1+3×3的卷積。它的特征復(fù)用類似DenseNet，且使用特征金字塔方式進行特征融合。RFBNet［8］則從感受野大小差異帶來的信息差異出發(fā)，設(shè)計了易于遷移使用的RFB模塊，利用大小不同的感受野的卷積核進行特征提取。

本文提出一種改進的目標檢測模型MSSD，結(jié)合深度可分離卷積的優(yōu)勢，采用新的特征融合方式，進一步挖掘了模型本身的結(jié)構(gòu)優(yōu)勢，有效提高了模型的檢測性能。

1 相關(guān)工作

SSD 的骨干網(wǎng)絡(luò)為 VGG16［9］。VGG 憑借其卓越的性能獲得了ImageNet 2014挑戰(zhàn)賽分類的亞軍和定位的冠軍。VGG16包含13個卷積層、5個池化層以及3個全連接層。筆者將VGG16加以改動，去掉VGG16的全連接層后，添加卷積層conv6和conv7，13個卷積層不變，將原作的第5個池化層的尺寸從2×2變?yōu)?×3。此外，新增的conv6采用膨脹卷積的思想，在conv7后添加額外的卷積處理。

SSD可接受的輸入尺寸有300×300和512×512兩種。SSD300 由 conv4-3、conv7、conv8-2、conv9-2、conv10-2及conv11-2輸出的特征圖做預(yù)測，大小分別為38、19、10、5、3、1。在每個特征圖上依次設(shè)置不同尺寸的預(yù)選框，共計有8 732個預(yù)選框。每個待預(yù)測特征圖會通過各自的分類和位置回歸網(wǎng)絡(luò)，即如圖1所示的cls和loc。檢測框經(jīng)過NMS篩選、剔除，得到最終的目標輸出。

深度可分離卷積（Depthwise Separable Convolution）最早由 Sifre［10］提出。這種思想成為 Xception［11］和MobileNets［12］的核心。深度可分離卷積與普通卷積的不同在于卷積過程。若輸入特征圖尺寸為C×H×W，卷積核尺寸為k×k，C表為輸入通道數(shù)，H和W分別為高和寬，O為輸出通道數(shù)，則對于普通卷積可得到其參數(shù)量為k×k×O×C。

對于深度可分離卷積，可以分為兩步進行。第一步進行卷結(jié)核為k×k的深度卷積。該卷積在通道空間上實現(xiàn)，即針對輸入的C個通道分別進行k×k的卷積，輸出通道數(shù)不變。該過程的參數(shù)量為k×k×C。第二步是對上述結(jié)果進行逐點卷積（Pointwise Convolution），即1×1的卷積，輸出通道數(shù)為O，則參數(shù)量為1×1×C×O，總參數(shù)量為k×k×C+C×O，過程如圖2所示。

圖1 SSD結(jié)構(gòu)

圖2 深度可分離卷積

以conv7的輸出特征圖1 024×19×19為例，當(dāng)卷積核為3×3、輸出通道數(shù)512時，可以計算出深度可分離卷積的參數(shù)量只有普通卷積的參數(shù)量1/9左右。雖然深度可分離卷積的參數(shù)量有所減少，但是仍然能夠保證特征提取信息的質(zhì)量。

2 MSSD的設(shè)計

本文設(shè)計的MSSD（Modified SSD）模型結(jié)構(gòu)如圖3所示。其中，MDSC表示改進的深度可分離卷積模塊，作為特征提取基礎(chǔ)單元，扮演的是原始SSD中額外層的角色。同時，MSSD使用相鄰層特征融合的方式加強了特征的復(fù)用，使得獲取的新特征在信息表達層面更進一步。

2.1 MDSC模塊

借鑒深度可分離卷積的思想，本文設(shè)計了一種改進的深度可分離卷積模塊MDSC（Modified Depthwise Separable Convolution），結(jié)構(gòu)如圖4所示。圖4中的3×3表示深度卷積，1×1為逐點卷積，經(jīng)過批歸一化層（Batch Normalization，BN）和激活層（Rectified Linear Unit，ReLU）后緊跟另一個深度卷積和逐點卷積。雖然單純的兩次深度可分離卷積對參數(shù)量的減少有幫助，但不足以提高特征的表達。為了獲得更多有用的信息，在此基礎(chǔ)上增加兩個恒等映射連接進行兩次信息融合。一次是在兩次深度可分離卷積后，另一次是在最大池化后。

圖3 MSSD結(jié)構(gòu)

圖4 MDSC模塊

特征圖融合一般有兩種方式。第一種是通道合并，待融合特征圖的通道數(shù)可以不同，相當(dāng)于拓寬了特征圖的通道數(shù)。第二種是元素相加，要求合并前特征圖的通道數(shù)相同，合并后特征圖通道數(shù)不發(fā)生改變。本模型所有的融合方式均采用第二種方式。

2.2 AFF融合方式

SSD輸出6個特征圖預(yù)測，相互之間并無交流。由于眾多模型已經(jīng)證明，不同特征圖之間的有效融合可以在一定程度上提高模型的性能，因此本文也將使用特征融合的方法對不同輸出層的特征圖進行融合，期望得到更豐富的信息。

較為流行的對特征融合的處理方式是特征金字塔 FPN［13］，如圖 5（a）所示。通過對高層特征上采樣、逆向和低層特征融合以及高層語義信息和低層細節(jié)信息互補，得到新的特征輸出，有效地將高低層特征的優(yōu)勢結(jié)合在一起。考慮到對于一系列尺寸逐漸減小的特征圖，相鄰尺寸特征圖之間的信息表達更加接近，相互之間的聯(lián)系更為緊密，因此對相鄰特征圖進行單獨處理。FPN這種融合方式聯(lián)合了多層特征，在得到融合調(diào)整后不斷進行上采樣，會帶來較多的冗余信息。因此，本文采用一種新的特征融合方式，即緊鄰特征圖融合（Adjacent Features Fusion，AFF），結(jié)構(gòu)如圖5（b）所示，其中紅色表示上采樣，綠色表示下采樣。第i層特征fi緊鄰上下兩層的特征分別為fi-1和fi+1，將i-1層進行下采樣操作D，將i+1層進行上采樣操作U，之后和fi融合得到新的特征輸出Fi，即：

上采樣通過反卷積實現(xiàn)，下采樣通過最大池化實現(xiàn)。所有添加的卷積層后緊跟BN層，達到加速模型訓(xùn)練和避免過擬合的目的。待融合特征圖通道數(shù)不同時，則通過1×1卷積完成變換。

圖5 兩種特征融合方式

3 實驗過程

本次實驗平臺為Ubuntu 18。在GPU上加速訓(xùn)練，GPU版本為GTX 1080Ti。深度學(xué)習(xí)框架為Pytorch。模型在PASCAL VOC 2007和VOC 2012訓(xùn)練集上訓(xùn)練，在VOC 2007測試集上測試。

3.1 消融實驗

首先，訓(xùn)練SSD+MDSC的模型，即利用MDSC替換原始額外層。訓(xùn)練時，設(shè)置batch_size為32，使用隨機梯度下降優(yōu)化算法，動量設(shè)置為0.9。采用預(yù)熱訓(xùn)練策略進行500次預(yù)熱訓(xùn)練后，學(xué)習(xí)率從0逐漸增大至0.001，之后開始穩(wěn)定訓(xùn)練。隨后在80 000次和100 000次迭代時，學(xué)習(xí)率依次衰減為0.1，共進行120 000次訓(xùn)練。它的模型精度為78.3%，提升了1.1%，證明了所采用的MDSC模塊的有效性。

其次，在SSD+MDSC的基礎(chǔ)上采用AFF融合方式進行訓(xùn)練，即對本文提出的MSSD進行訓(xùn)練。學(xué)習(xí)率衰減發(fā)生在90 000次和110 000次?？紤]到模型復(fù)雜度的提升，調(diào)整訓(xùn)練次數(shù)，共進行130 000次訓(xùn)練。實驗發(fā)現(xiàn)，當(dāng)去掉3×3特征圖的下采樣，且1×1特征圖不參與融合而獨立輸出預(yù)測時，模型的檢測精度并未受到影響。為了減少模型計算量，最終采用的模型為去掉3×3下采樣的模型結(jié)構(gòu)。可以發(fā)現(xiàn)，在測試集上的精度由78.3%增長至79.1%，性能提升0.8%。

再次，為驗證AFF的有效性，對特征金字塔融合方式進行對比，即采用SSD+MDSC+FPN的模型進行訓(xùn)練。該模型在測試集上的mAP為78.7%，與AFF的融合方式有0.4%的差距，表明所采用的緊鄰特征圖融合方法更有效。

最后，對輸入尺寸為512×512的圖片進行訓(xùn)練，batch_size設(shè)置為16，同樣進行預(yù)熱訓(xùn)練，學(xué)習(xí)率0.001在90 000次和110 000次時依次減為原來的0.1，總計訓(xùn)練135 000次，測試集上其mAP達到81.8%。

5種模型在VOC 2007測試集的訓(xùn)練結(jié)果，如表1所示。

表1 VOC 2007測試集結(jié)果

MSSD300和SSD300在各類檢測中的性能對比，如表2所示。

表2 MSSD和SSD對VOC2007測試集各類別目標的檢測精度mAP

可以看出，除了對boat和cat兩類目標的檢測精度有所下降外，本文提出的MSSD在各個類別目標的檢測精度都有所提升，尤其是對bottle和plant的檢測精度，分別提升了7.10%和3.31%。

MSSD與其他模型的檢測精度對比如表3所示。表3中的模型均在VOC 2007和VOC 2012訓(xùn)練集上訓(xùn)練，并且在VOC 2007測試集上測試，測試所采用的backbone也經(jīng)過預(yù)訓(xùn)練。對比本文提出的MSSD與SSD的各種代表性變體可以發(fā)現(xiàn)，其檢測精度優(yōu)于SSD的眾多變體，且速度也占有優(yōu)勢。SSD樣本檢測結(jié)果如圖6所示，MSSD樣本檢測結(jié)果如圖7所示。

表3 各種檢測模型的檢測精度對比

圖6 SSD樣本檢測結(jié)果

圖7 MSSD樣本檢測結(jié)果

4 結(jié) 語

本文提出了一種結(jié)合深度可分離卷積和新型特征融合方法的目標檢測模型MSSD。采用改進的深度可分離卷積模塊代替SSD中的部分卷積層，既提高了精度，又在一定程度上節(jié)省了參數(shù)，并在此基礎(chǔ)上使用緊鄰特征圖融合的方法對輸出特征進行重復(fù)利用，效果略優(yōu)于特征金字塔式的融合方式。最終得到的改進模型MSSD在速度和精度上取得了很好的平衡，其綜合性能優(yōu)于一些SSD的變體。下一步將對MSSD進行優(yōu)化，對MDSC模塊做進一步完善，對融合過程的采樣做優(yōu)化處理。