這次比賽的主要難點包含以下幾個方面：

運動模糊和圖像噪點

與常規(guī)檢測數(shù)據(jù)集不同，該競賽考慮到實際駕駛情況，所用數(shù)據(jù)是在車輛行進過程中采集的，所以當車速較快或者有相對運動的時候會產(chǎn)生持續(xù)的運動模糊圖像。并且由于攝像頭是普通的RGB相機，因此在光線較弱的環(huán)境下收集的圖片質(zhì)量大幅度下降，這也是影響模型效果的主要原因。

對比度差異大，色彩信息少

這是由于收集數(shù)據(jù)主要來自于夜間環(huán)境所導致的必然結(jié)果，所以在進行數(shù)據(jù)增強的時候需要謹慎，不同增強方式會造成較大的影響。

不同的數(shù)據(jù)分布

該比賽的數(shù)據(jù)集涵蓋了不同的城市和天氣，之前常用的行人檢測數(shù)據(jù)集一般未同時滿足這兩個條件。該數(shù)據(jù)具有多樣性，且與常用數(shù)據(jù)集的數(shù)據(jù)分布存在較大差異。該比賽數(shù)據(jù)集與常用于訓練預訓練模型的數(shù)據(jù)集（如 COCO 數(shù)據(jù)集、OBJ365）的數(shù)據(jù)分布存在很大的不同，因此對基于常用數(shù)據(jù)集預訓練的模型進行 fine－tune 的效果不如預期。

DeepBlueAI 團隊解決方案

DeepBlueAI 團隊在單幀行人檢測和多幀行人檢測兩個賽道中取得了冠軍成績，在檢測單幀中所有物體賽道中獲得了亞軍。

就檢測器而言，該團隊首先通過常規(guī)檢測所累積的經(jīng)驗構(gòu)造出一個 baseline：

Baseline ＝ Backbone ＋ DCN  ＋ FPN ＋ Cascade ＋ anchor ratio （2．44）

這些模塊早已是各個比賽的「�？汀�，也被許多專業(yè)人士進行了比較透徹的分析，此處不再贅述。DeepBlueAI 團隊進行了簡單的實驗，發(fā)現(xiàn)這些模塊總是有用，進而將這套算法作為 baseline，加上一些行人檢測的小 trick，如將 anchor ratio 改為 2．44、針對標注為 ignore 的目標在訓練過程中 loss 不進行回傳處理。

具體主要工作包含以下幾個方面：

1． Double Heads

通過觀察實驗發(fā)現(xiàn)，baseline 將背景中的石柱、燈柱等物體檢測為行人，這種情況大多和 head 效果不好有關(guān)。該團隊基于此進行了實驗，如 TSD ［7］、CLS ［8］、double head ［9］，并最終選擇了效果好且性價比高的 double head 結(jié)構(gòu)（如下圖所示）：

Double Heads 結(jié)構(gòu)

通過對比實驗可以發(fā)現(xiàn)：使用 FC－h(huán)ead 做分類、Conv－h(huán)ead 做回歸，可以得到最好的效果。

分類更多地需要語義信息，而坐標框回歸則更多地需要空間信息，double head 方法采用分而治之的思想，針對不同的需求設(shè)計 head 結(jié)構(gòu)，因此更加有效。當然這種方法也會導致計算量的增加。在平衡速度和準確率的情況下，該團隊最終選擇了 3 個殘差 2 個 Non－local 共 5 個模塊。

2． CBNet ［10］

合并功能更強大的 backbone 可提高目標檢測器的性能。CBNet 作者提出了一種新穎的策略，通過相鄰 backbone 之間的復合連接 （Composite Connection） 來組合多個相同的 backbone。用這種方式他們構(gòu)建出了一個更強大的 backbone，稱為「復合骨干網(wǎng)絡(luò)」（Composite Backbone Network）。

當然這也帶來了模型參數(shù)大小和訓練時間的增加，屬于 speed–accuracy trade－off。該團隊也嘗試過其他的改進方式，但最終還是選擇了實用性更強的 CBNet，該方法不用再額外擔心預訓練權(quán)重的問題。

該團隊選擇了性價比較高的雙 backbone 模型結(jié)構(gòu)。