中星微夺冠国际人工智能算法竞赛，目标检测一步法精度速度双赢

新智元推荐

来源：Pascal2

【新智元导读】日前，中星微把实际安防项目经验应用到PASCAL VOC数据集，并成功在一步法（one-stage）算法中取得了第一名的好成绩。中星微人工智能芯片技术公司董事长兼总经理张韵东表示：“中星微首次将安防监控应用经验与国际算法竞赛数据集相结合，使得嵌入式前端设备也能达到与云端智能相媲美的效果，取得了可喜可贺的成绩，但这只是一个的开始，相信未来会带来更多更精彩的内容。”

目标检测是机器视觉中一个最重要和最早研究领域之一，也是一切机器视觉任务基础，因此在目标检测算法方面，国际巨头公司和科研机构纷纷进入这个领域，是兵家必争之地，竞争非常激烈，也是目前在实际场景应用最成功的领域，包括安防监控、自动驾驶等多个领域。

日前，中星微把实际安防项目经验应用到PASCAL VOC数据集，并成功在一步法（one-stage）算法中取得了第一名的好成绩，获得87.2% mAP精度，超越了大部分两步法（two-stage）的算法，也证明了一步法（one-stage）可以做到精度和速度双赢。

什么是目标检测？

目标检测就是判断给一副图像上是否存在感兴趣的物体，如果存在，就给出所有感兴趣物体的类别和位置（What and Where）。PASCAL VOC是由利兹大学、苏黎世联邦理工学院、爱丁堡大学、微软、牛津大学等组织的一个视觉识别竞赛，包含了物体分类、目标检测、图像分割等任务，对计算机视觉的发展具有深远而巨大的影响。其中,目标检测任务囊括了车、人、猫、狗等20类常见目标，训练样本较少、场景变化多端，非常具有挑战性。

图二

图三

两步法检测法和一步法检测法

目前主流的目标检测算法主要是基于深度学习模型，其可以分成两大类：

1）两步法（two-stage）检测算法，其将检测问题划分为两个阶段，首先产生候选区域（region proposals），然后对候选区域分类（一般还需要对位置精修），这类算法的典型代表是基于region proposal的R-CNN系算法，如R-CNN，Fast R-CNN，Faster R-CNN等；

2）一步法（one-stage）检测算法，其不需要region proposal阶段，直接产生物体的类别概率和位置坐标值，比较典型的算法如YOLO和SSD。目标检测模型的主要性能指标是检测准确度和速度，对于准确度，目标检测要考虑物体的定位准确性，而不单单是分类准确度。

一般情况下，两步法（two-stage）算法在准确度上有优势，而一步法（one-stage）算法在速度上有优势。但在工业界应用中，一定要考虑速度和精度的平衡，特别是前端智能应用中，受到计算资源的限制，一般都会选择一步法（one-stage）的算法，基础网络尽量选择轻量级的网络，比如MobileNet等。

中星微2016年6月成功研发了神经网络处理器NPU（Neural-network Processing Unit），此NPU集成到星光智能一号VC0758芯片中，成为中国首款嵌入式神经网络处理器SOC芯片，针对前端智能的应用，中星微一直致力于研发可部署到端上的轻量级深度学习算法。

经过几年的研发积累，把实际安防项目经验应用到PASCAL VOC数据集，并成功在一步法（one-stage）算法中取得了第一名的好成绩。中星微VIM_SSD网络，基于SSD深度学习目标检测算法的架构，融合多种机制和策略，并对网络进行了大量的优化。基础网络采用VGG16，并未使用ResNet-101, ResNet-152等更复杂的网络，保证精度的情况下速度更快；同时整个网络为全卷积网络，可以自如调节检测目标的分辨率和使用场景，更容易在实际系统中部署。

下表是目前PASCAL VOC竞赛前十名，可以看出，下面算法中大部分应用了更复杂的基础网络ResNet-101和ResNet-152，并使用了两步法。

图四

制约前端智能发展的限制条件

中星微人工智能芯片技术公司研发副总艾国表示：“最近几年，随着深度学习方法的复兴和快速发展，算法方面取得了巨大的进展和突破，但前端智能的发展较为落后，其主要原因受限于前端的计算资源，因此搭载轻量级深度神经网络是前端智能发展必由之路，中星微一直致力于研发能够和NPU紧密结合的轻量级深度神经网络，和可快速编译、移植和部署的嵌入式智能应用方案。”

机制和策略

VIM_SSD采用了如下主要的机制和策略：1）使用FPN，融合多层特征。2）使用inception结构，提供多种感受野。3）使用SE结构，增强有用特征，抑制无用特征。4）加入基于框的语义监督，增强提取到特征的语义信息。

图五

FPN是指将深层特征经过放大，融合到低层特征中，以增强低层特征的语义信息。我们在这个基础上，将融合后的特征做了一些处理，以使其适应检测任务。我们观察到网络的anchor box并不全是1:1的，还可以有1:2，1:3，2:1，3:1，但是已有网络的卷积核都是MxM。我们引入inception+SE结构，一方面在其中加入1x3，3x1的卷积核，使其能够更好地提取非正方形的特征，另一方面引入SE模块，让网络为每种长宽比的目标自动选择相应的特征。

语义分割方面，在很多文章中已经有证明，它对目标检测是有促进作用的。但是由于数据标注难度大，在实际项目部署过程中比较困难，所以我们采用基于框的语义信息，对网络语义特征提取进行监督。

VIM_SSD作者之一杨敏表示：“我们从2016年开始研究轻量级深度神经网络，并在多个实际项目中使用和部署，这次主要是想把项目积累的经验和方法在公开数据集上做一次尝试，也是对过去工作一次阶段性总结。”

中星微人工智能芯片技术公司董事长兼总经理张韵东表示：“中星微首次将安防监控应用经验与国际算法竞赛数据集相结合，使得嵌入式前端设备也能达到与云端智能相媲美的效果，取得了可喜可贺的成绩，但这只是一个的开始，相信未来会带来更多更精彩的内容。”

数据来源：

http://host.robots.ox.ac.uk:8080/leaderboard/displaylb.php?cls=mean&challengeid=11&compid=4&submid=17258