作者丨happy

编辑丨极市平台

语言模型与目标检测这种八竿子打不着的领域之间会存在关联性吗？Hinton团队的最新工作Pix2Seq对此进行了探索，它将目标检测问题转换成了语言模型问题，并在COCO数据集上取得了与DETR相当甚至更优性能。好大的脑洞！

原文链接：https://www.aminer.cn/pub/614bf07f5244ab9dcbc5d6f4
Abstract
本文提出了一种简单而通用框架Pix2Seq用于目标检测，不同于已有显式集成先验知识的方案，我们将目标检测任务转换成了基于观测像素输入的语言模型任务 。关于目标的描述(比如边框、类别)将被描述为离散token序列，我们训练了一个神经网络去感知图像并生成期望的序列。
该方法主要基于这样的直觉：如果神经网络知道目标在哪、目标是什么，那么我们仅需要教它如何进行解析 。除了实用任务相关数据增广外，该方法对任务做了最小假设，相比高度优化的检测方案，所提方法在COCO数据集上取得了极具竞争力的结果。

Method

正如前面所提到，Pix2Seq将目标检测任务转换为基于像素输出的语言模型任务。如上图所示，该方案包含四个主要成分：

• 图像增广 ：正如其他CV模型一样，我们采用图像增广提升训练集的样本丰富，比如随机缩放、随机裁剪；
• 序列构建与增广 ：由于图像中的目标标注通常为边框与类别集合，因此我们将其转换为离散token序列；
• 网络架构 ：我们采用了编码-解码架构，其中编码器用于感知像素输入，解码器用于生成目标序列；
• 损失函数 ：模型通过最大化token的对数似然进行训练。

Sequence Construction from Object Descriptions
在常规目标检测数据(比如Pascal VOC，COCO以及OpenImages)中，图像往往包含可变数量的目标，每个目标通过边框与类别标签表示。在Pix2Seq中，我们将其表示为离散token序列。
类别标签天然的可以表示为离线token，但边框不行。边框可以通过两个角点(比如左上、右下两个角点)确定，或者通过中心加宽高。我们对角点的坐标进行离散化，具体来说，目标将被表示为五个离散token序列 ，每个连读角点坐标被均匀离散化到整数 ，c为类别索引 。我们对所有目标采用共享词表(vocabulary)，故此表大小等于bins数+类别数。这种量化机制使得我们可以使用较小的词表取得高精度。比如，大小图像仅需600bins即可达到零量化误差，这远小于32K词表的语言模型。下图给出了不同水平量化对于边框的影响。

在前面内容中，我们将目标的描述转换为短离散序列，接下来，我们对多目标描述序列化以构建给定图像的单序列。由于目标的顺序不会对检测任务产生影响，我们采用了随机顺序策略 。我们同样探索了其他确定性顺序策略，但两者性能相当。

由于不同图像通常包含不同数量的目标，所生成的序列具有不同的长度。为指示序列结尾，我们引入了EOS词 。上图给出了不同顺序策略下的序列构建过程。

Architecture, Objective and Inference
前面完成了目标描述的转换，接下来，我们将转向架构、损失函数的构建。
Architecture  我们采用编码器-解码器架构 ，编码器是一种广义图像编码器(ConvNet、Transformer或者两者组合君和)：它对像素进行感知并编码为隐表达。对于生成器部分，我们采用语言模型中常用的Transformer解码器：它一次生成一个token。这种方式消除了已有目标检测器架构的复杂性与定制化功能，比如bbox proposal、regression等。
Objective  类似语言模型，Pix2Seq将用于预测token，给定图像与之前的token，最大化似然损失：
其中，x表示输入图像，表示输入与目标序列，L表示目标序列长度。
Inference  在推理阶段，我们从中进行token采样，此时可以选用具有最大似然的token、或者其他随机采样技术。我们发现：nucleus采样具有更高的召回率 。当生成EOS这个token后，序列结束，然后对所的序列进行反量化转换为目标。
Sequence Augmentation to Integrate Task Priors
EOS的存在允许模型自己决定何时停止生成token，但实际上我们发现：模型倾向于提前停止，导致无法预测所有目标 。原因可能有一下两个：

• 标注噪声，比如标注者没有标注所有目标
• 某些目标的不确定性

由于召回率与准确率对目标检测均非常重要，为得到更高召回率，一个可能的技巧：通过人工降低似然延迟EOS的采样。然而，这会误检、重复检测问题。
由于所提方案的任务不可知性，很难对精度-召回率进行均衡调整。为缓解该问题，我们引入了一种序列增广技术，集成关于任务的先验信息 。传统自回归语言模型中的目标序列与输入序列相同；经过序列增广后，我们不仅对输入序列进行增广，同时还对目标序列进行修改使其能辨别噪声token。这种处理方式可以有效提升模型的鲁棒性。下图给出了所提序列增广示意图。

Altered Sequence Construction  我们首先通过如下两种方式构建合成噪声目标以增广输入序列：

• 对已有真实目标添加噪声，如边框随机缩放与移位；
• 生成随机边框与随机类别标签。

上图给出了合成噪声目标示意图，可以看到：合成噪声目标与真实目标会存在重叠。完成噪声目标合成与离散化后，我们将其添加到原始输入序列尾部；对于目标序列，我们设置噪声目标的目标token为noise类、坐标token为n/a，对应的损失权值为0，即 。
Altered inference  基于上述序列增广，我们可以极大的延迟EOS词的生成，提升召回率且不会提升噪声/重复预测。我们让模型预测最大长度序列，生成定长目标列表。然后，我们从生成的目标序列中提取边框与类别信息，采用最大似然真实类别标签替换noise类别标签。
Experiments

上表给出了所提方案与DETR、Faster R-CNN在COCO数据集上的性能对比，从中可以看到：

• 所提Pix2Seq取得了与基线方案相当的结果 ；
• 相比Faster R-CNN，所提Pix2Seq在小目标与中目标检测方面性能相当，但在大目标检测方面更优；
• 相比DETR，所提Pix2Seq在大/中目标检测方面相当或稍差，但在小目标检测方面更优，高4-5AP。

上图a比较了坐标量化对于性能的影响，结果表明：500bins量化足矣 。
上图b和c比较了不同目标顺序策略的性能对比，结果表明：随机顺序具有最佳性能 。

上图a比较了图像增广的性能影响，结果表明：使用不合适的增广时，模型会出现过拟合 。更强的图像增广可能会带来更好的性能提升。
上图b比较了序列增广的性能影响，结果表明：不使用序列增广时，随AR提升，AP出现了大幅下降；而使用了序列增广后，模型具有更好的AR-AP均衡 。