利用边缘监督信息加速Mask R-CNN实例分割训练

算法思想

作者通过观察Mask R-CNN训练前期输出的预测图像，发现很多时候边缘都不在点上，很显然，神经网络在走弯路。
请看下面的例子：

这是Mask R-CNN深度网络训练前期的一些预测的Mask，发现它并没有像人类一样先把边缘找出来，甚至缺失的很离谱（你可以预测的不很精细准确，但至少要表现出在向这个方向努力吧！）。
为了避免神经网络走弯路，作者把实例的边缘信息作为一种监督的指引，即将groundtruth进行边缘滤波，让神经网络同时去预测实例的边缘。指了条明路。
Mask R-CNN的多任务损失函数：

具体的做法是，增加一个新分支，预测边缘并与groundtruth的边缘相比较，请看下图

作者仅是对每个实例28*28大小区域内（所以增加的计算量有限）进行上述操作，通过添加简单的3*3边缘检测计算预测和groundtruth的边缘，因为边缘检测往往和图像平滑一起用，所以右边的图增加了平滑的步骤。
上图中Lp代表计算两者差异的方式，如下：

p代表像素差值的幂次方参数。

作者尝试了普通的Sobel滤波和Laplacian滤波检测边缘。

作者通过Edge Agreement Head方式增加了一个损失函数，模型复杂度略微增加，没添加任何额外的需要训练的模型变量，训练的计算成本增加很小，而网络推断时不增加计算量。

实验结果
作者在MS COCO 2017数据集上做了实验，比较训练达到160k steps时基准模型和提出的模型的COCO AP metrics精度。

Table 1说明当训练达到160k steps时，使用Edge Agreement Head的模型训练达到了更高的精度，尤其是使用Soble边缘算子的模型。
Table 2表明不使用图像平滑加速更加明显，达到更高的精度。
预测结果比较图示：

Table 4表明，拉长训练时间，使用Edge Agreement Head仍然获得了更高的精度。

该文没有开源代码。

总结
这篇论文很简单，但给出的结论很有意思，Edge Agreement Head相当于提供了更多的监督信息，为深度网络指了一个方向，少走一些弯路。尤其在训练早期，网络更容易迷茫的时候就更需要指条明路。
尤其值得一提的是，很显然边缘信息可以有助于所有图像像素级理解的应用，比如深度估计、光流计算等，大家不妨一试。

最后推荐一篇52CV君之前分享过的一篇论文，利用边缘信息大幅改进了人脸对齐，如果你还没读，非常值得一读！

重磅！清华&商汤开源CVPR2018超高精度人脸对齐算法LAB

论文地址：
https://arxiv.org/abs/1809.07069v1