MobileNet-SSD网络解析

YaHei 8月 08, 2018

上一篇文章《SSD框架解析 - 网络结构| Hey~YaHei!》和上上篇文章《MobileNets v1模型解析 | Hey~YaHei!》我们分别解析了SSD目标检测框架和MobileNet v1分类模型。
在本文中将会把两者综合起来，一起分析chuanqi305是如何把MobileNets和SSD结合得到MobileNet-SSD网络的。

网络结构

参照 MobileNet-SSD(chuanqi305)的caffe模型（prototxt文件） | github，绘制出MobileNet-SSD的整体结构如下（忽略一些参数细节）：

图片中从上到下分别是MobileNet v1模型（统一输入大小为300x300）、chuanqi305的Mobilenet-SSD网络、VGG16-SSD网络。且默认都是用3x3大小的卷积核，除了MobileNet-SSD的Conv14_1、Conv15_1、Conv16_1、Conv17_1和VGG16-SSD的Conv8_1、Conv9_1、Conv10_1、Conv11_1用的是1x1大小的卷积核。
图中每个立方体代表对应层的输出特征图；

首先观察基础网络部分
MobileNet-SSD从Conv0到Conv13的配置与MobileNet v1模型是完全一致的，相当于只是去掉MobileNet v1最后的全局平均池化、全连接层和Softmax层；
再看SSD部分
- 在VGG16-SSD的方案中，用Conv6和Conv7分别替代了原VGG16的FC6和FC7；
- MobileNet-SSD和VGG16-SSD都是从六个不同尺度的特征图上提取特征来做Detections，它们的大小为：
```
  MobileNet-SSD   |   VGG16-SSD
  ----------------+-----------------
  19 x 19 x  512  |   38 x 38 x  512
  10 x 10 x 1024  |   19 x 19 x 1024
   5 x  5 x  512  |   10 x 10 x  512
   3 x  3 x  256  |   5  x  5 x  256
   2 x  2 x  256  |   3  x  3 x  256
   1 x  1 x  128  |   1  x  1 x  128
```
  - 从通道数量上看，两者是完全一致的
  - 从特征图分辨率上看，MobileNet-SSD都只有VGG16-SSD的一半
    - 这意味着什么？
      打个比方，假设对于那个分辨率最大的特征图，都能用4x4的感受野检测出一只猫，如下图所示，黑色是头，红色是身体，棕色是腿，黄色是尾巴。
      
      那用MobileNet-SSD可以检测出占原图$\frac{4}{19} \approx 0.211$大小的猫，而VGG16-SSD却可以检测出占原图$\frac{4}{38} \approx 0.105$大小的猫；
    - 那为什么MobileNet-SSD为什么不和VGG16-SSD一样，从38x38分辨率的特征图开始做Detections呢？
      回到上一篇博文《SSD框架解析 - 网络结构| Hey~YaHei!》，VGG16是从Conv4_3也就是第10层卷积层取出38x38分辨率的特征图；
      再观察一下MobileNet v1-300的模型，想要取出38x38分辨率的特征图，最深也只能从Conv5也就是第6层卷积层取出，这个位置比较浅，实在很难保证网络提取出了足够有用的特征可以使用；
    - 那可以通过增加最初输入图片的分辨率来解决这个问题吗？
      倒也可以，比如把输入图片大小扩大到512x512，那么Conv11的输出就变为32x32，按上上一点的描述，可以检测出占原图$\frac{4}{32} = 0.125$大小的猫；
      但要付出相应的代价，仅考虑基础网络部分（Conv0到Conv13），参数数量和乘加运算量均提高为原来的 $(\frac{512}{300})^2 \approx 2.913$ 倍（不考虑padding的影响，计算方式可以参考《MobileNets v1模型解析 - 效率比较 | Hey~YaHei!》），MobileNet本身小模型的低参数量、低运算量优势变得不再明显。
- 还有一个小细节，观察特征图到Detections的路径
  VGG16-SSD中用的都是3x3大小的卷积核，缺省框数量依次是4、6、6、6、4、4；
  MobileNet-SSD中用的都是1x1大小的卷积核，缺省框数量依次是3、6、6、6、6、6；
  这一部分的改动不是很能理解，3x3卷积改1x1卷积可能是实践中发现改动后效果差不多但可以减少运算量；缺省框数量改动的原因就不得而知了~

BN层合并

对比chuanqi305的 train模型和 deploy模型还能发现一件有趣的事情——
deploy模型中的BN层和scale层都不见啦！！！
BN层是这样随随便便就能丢弃的么？没道理啊！

几经辗转，查阅资料之后发现，原来BN层是可以合并进前一层的卷积层或全连接层的，而且这还有利于减少预测用时。
参考《Real-time object detection with YOLO - Converting to Metal》

合并的原理：卷积层、全连接层和BN层都是纯粹的线性转换。

数学推导也很简单：
假设图片为 $x$ ，卷积层权重为 $w$ 。
那么对于卷积运算有，
$$ conv[j] = x[i]w[0] + x[i+1]w[1] + x[i+2]w[2] + … + x[i+k]w[k] + b $$
BN层运算为，
$$ bn[j] = \frac{\gamma (conv[j] - mean)}{\sqrt{variance}} + \beta = \frac{\gamma \cdot conv[j]}{\sqrt{variance}} - \frac{\gamma \cdot mean}{\sqrt{variance}} + \beta $$
代入$conv[j]$变为，
$$ bn[j] = x[i] \frac{\gamma \cdot w[0]}{\sqrt{variance}} + x[i+1] \frac{\gamma \cdot w[1]}{\sqrt{variance}} + … + x[i+k] \frac{\gamma \cdot w[k]}{\sqrt{variance}} + \frac{\gamma \cdot b}{\sqrt{variance}} - \frac{\gamma \cdot mean}{\sqrt{variance}} + \beta $$
两式对比可以得到，
$$ w_{new} = \frac{\gamma \cdot w}{\sqrt{variance}} $$
$$ b_{new} = \beta + \frac{\gamma \cdot b}{\sqrt{variance}} - \frac{\gamma \cdot mean}{\sqrt{variance}} = \beta + \frac{\gamma (b-mean)}{\sqrt{variance}} $$
注意，其中 $\gamma$、$mean$、$variance$、$\beta$ 都是训练出来的量，在预测阶段相当于一个常量。

原文摘录如下：

本文介绍了chuanqi305的MobileNet-SSD网络是如何组成的以及实用的MergeBN技术，在下一篇博文中我们将尝试用该网络进行训练并部署在RK3399的Tengine平台上，并且进一步对该网络进行改进以满足我们实际场景的需要。