CVPR 2019細粒度圖像分類workshop的挑戰(zhàn)賽公布了最終結(jié)果：中國團隊DeepBlueAI獲得冠軍。本文帶來冠軍團隊解決方案的技術(shù)分享。

近日，在Kaggle上舉辦的CVPR 2019 Cassava Disease Classification挑戰(zhàn)賽公布了最終結(jié)果，國內(nèi)團隊 DeepBlueAI 獲得冠軍。

國際計算機視覺與模式識別會議（CVPR）是IEEE一年一度的學術(shù)性會議，CVPR是世界頂級的計算機視覺會議之一，會議的主要內(nèi)容是計算機視覺與模式識別技術(shù)。CVPR 2019 在洛杉磯長灘舉行，F(xiàn)GVC6 Workshop也將作為 CVPR 2019 的一部分如期召開。FGVC6 Workshop 共有十個挑戰(zhàn)賽，每個都代表了細粒度視覺分類在某個細分領(lǐng)域的挑戰(zhàn)。

FGVC全稱為Fine-Grained Visual Categorization，細粒度圖像分類，即區(qū)分不同的動物和植物、汽車和摩托車模型、建筑風格等，是機器視覺社區(qū)剛剛開始解決的最有趣和最有用的開放問題之一。細粒度圖像分類在于基本的分類識別（對象識別）和個體識別（人臉識別，生物識別）之間的連續(xù)性。相似的類別之間的視覺區(qū)別通常非常小，因此很難用當今的通用識別算法來解決。

今年是FGVC舉辦的第六屆比賽，往屆比較著名的比賽諸如iNaturalist和iMaterialist，前者側(cè)重于區(qū)分自然界不同的生物，后者則是側(cè)重于區(qū)分不同的人造物體。

不同于傳統(tǒng)的廣義上的分類任務(wù)，F(xiàn)GVC的挑戰(zhàn)致力于子類別的劃分，需要分類的對象之間更加相似，例如區(qū)分不同的鳥類、不同的植物、不同的日用品等。

賽題介紹

Cassava Disease Classification挑戰(zhàn)賽是一個根據(jù)木薯的葉子區(qū)分不同種類的木薯疾病的任務(wù)。Cassava 譯為木薯，是非洲第二大碳水化合物供應(yīng)者，因為其能夠承受惡劣的環(huán)境。因此木薯是小農(nóng)種植的一種關(guān)鍵的糧食安全作物，在撒哈拉以南非洲，至少80%的小農(nóng)家庭種植木薯，而病毒性疾病是低產(chǎn)量的主要來源。

在這次比賽中,主辦方引入一個包含5種類別的木薯葉疾病的數(shù)據(jù)集，該數(shù)據(jù)集源于在烏干達定期調(diào)查中收集到的9436標記圖像,主要從農(nóng)民在自家田地里拍攝的圖片,然后由國家作物資源研究所(NaCRRI)與Makarere大學的人工智能實驗室共同對圖像進行標注。

數(shù)據(jù)集包括木薯植株的葉子圖像，9,436張帶注釋的圖像和12,595張未標記的圖像。參與者可以選擇使用未標記的圖像作為額外的訓練數(shù)據(jù)。目標是學習一個模型，使用訓練數(shù)據(jù)中的圖像將給定的圖像分類為這4個疾病類別或健康葉子的類別。

團隊成績

題目特點以及常用方法

細粒度圖像分類 (Fine-grained imagecategorization), 又被稱作子類別圖像分類 (Sub-category recognition)。其目的是對屬于同一基礎(chǔ)類別的圖像進行更加細致的子類劃分, 但由于子類別間細微的類間差異以及較大的類內(nèi)差異, 更傳統(tǒng)的圖像分類任務(wù)相比, 細粒度圖像分類難度明顯要大很多。從下圖中的木薯的葉子可以看出，不同的葉子病變情況長相非常相似，此外同一類別由于姿態(tài)，背景以及拍攝角度的不同，存在較大的類內(nèi)差異。

細粒度圖像分類的常用方法可以分為兩種，分別是基于強監(jiān)督信息的方法和僅使用弱監(jiān)督信息的方法。前者需要使用對象的邊界框和局部標注信息，后者僅使用類別標簽，Cassava Disease Classification是一種弱監(jiān)督信息的細粒度識別，一般采用預訓練模型finetune，并結(jié)合訓練技巧對模型精調(diào)。

實驗?zāi)Ｐ停篠ENet、ResNet、DenseNet

ResNet是CNN歷史上一個里程碑事件，模型深度達到了152層，這和之前CNN的層數(shù)完全不在一個量級上。ResNet中的identity的這條線類似一條電路上的短路（shortcuts，skip connection），使得模型學習更加容易，深層可以直接得到淺層的網(wǎng)絡(luò)特征。

DenseNet的原理不同于ResNet通過加深網(wǎng)絡(luò)層數(shù)以及Inception通過加寬網(wǎng)絡(luò)寬度來提高模型識別能力，而是利用特征重用和類似ResNet的Bypass的方式，減少了網(wǎng)絡(luò)參數(shù)和緩解了梯度消失的問題。

SENet提出了Sequeeze and Excitation block，該模塊于傳統(tǒng)網(wǎng)絡(luò)的最大區(qū)別在于其側(cè)重于構(gòu)建通道之間的依賴關(guān)系，利用global average pooling來Sequeeze特征圖，并用Excitation對前者進行非線性變換，最后再疊加到輸入特征上?？梢宰赃m應(yīng)的校準通道的相應(yīng)特征，并且該模塊可以嵌入到現(xiàn)有的網(wǎng)絡(luò)結(jié)構(gòu)中，實現(xiàn)精度的提升。

模型訓練與評測

原圖 VerticalFlip HorizontalFlip RandomRotateRandomCrop

RandomErasing

CutOut

由于訓練集樣本過少，對比分析后對輸入數(shù)據(jù)采取 VerticalFlip,HorizontalFilp 、RandomRotate和RandomCrop的增強操作。此外，還使用了RandomErasing和Cutout，方法會在原圖隨機選擇一些矩形區(qū)域，改變該區(qū)域的像素值，通過這些數(shù)據(jù)增強的方式，訓練集的圖片會被不同程度的遮擋，這樣可以進一步降低過擬合的風險并提高模型的魯棒性。

同樣的，為了增強模型的魯棒性減少過擬合，本次比賽我們利用5-fold crossvalidation，交叉驗證有效利用了有限的數(shù)據(jù)，并且評估結(jié)果能夠盡可能接近模型在測試集上的表現(xiàn)。用crossvalidation之后，SE_ResNeXt50測試集準確率提升0.01016，ResNet34測試集準確率提升0.01142。

這次比賽中，我們還使用了Mixup和label smoothing的訓練策略。Mixup顧名思義就是將兩張圖片按一定比例融合起來作為輸入，計算loss時，針對兩張圖片的標簽分別計算，然后按比例加權(quán)求和。Mixup是一種抑制過擬合的策略，通過增加了一些數(shù)據(jù)上的擾動，從而提升了模型的泛化能力。

實驗證明，該方式能將Top1準確率提高近一個百分點。對于分類問題，常規(guī)做法時將類別換成one-hot vector。由于標簽是類別的one-hot vector，這樣做易導致過擬合使得模型泛化能力下降；同時這種做法會將所屬類別和非所屬類別之間的差距盡可能大，因此很難調(diào)優(yōu)模型。

為此，可以用label smoothing對標簽進行平滑處理，軟化one-hot類型標簽，使得計算損失函數(shù)時能有效抑制過擬合現(xiàn)象。

訓練以Adam為optimiser，學習率的設(shè)置為階梯狀，共四個取值，[3e-4, 1e-4,1e-5, 1e-6]，設(shè)置patience為4來衰減學習率，即模型連續(xù)4個epoch在驗證集上效果沒有提升則衰減學習率，訓練總的epcoh在20次左右。本實驗使用的GPU為4卡2080Ti，并行訓練一個模型，batchsize通常設(shè)為32，較大的模型根據(jù)實際情況適當減小。

模型在預測時采用了數(shù)據(jù)增強的方式Test time augmentation(TTA)，即將樣本圖像進行多個不同的變換獲得多個不同的預測結(jié)果，再將預測結(jié)果進行平均，提高精度。本次任務(wù)利用3*TTA，包括 RandomCrop, RandomCrop+HorizontalFlip 和RandomCrop+VerticalFlip 。

模型集成是算法比賽中常用的提高模型精度方法，本次比賽我們訓練了大量在ImageNet上表現(xiàn)優(yōu)良的模型，其中表現(xiàn)較好的模型如下表所示、在采取多種融合方式之后，最終發(fā)現(xiàn)SE_ResNeXt50、SE_ResNeXt101、SENet154以及DenseNet201按照歸一化后權(quán)重的融合效果最好，在測試集上的準確率達到了0.92516。

本次比賽主辦方提供了12595張未帶label的額外數(shù)據(jù)集，為了充分利用該數(shù)據(jù)集，利用在測試集表現(xiàn)最好的融合模型給這些數(shù)據(jù)集貼上偽標簽。然后利用訓練集和偽標簽數(shù)據(jù)集訓練模型，為了防止模型在偽標簽上過擬合，我們對偽標簽采取了一定的篩選操作。

采取的思路是：用多個不同概率閾值的過濾所得到的偽標簽進行線下實驗，看哪個閾值下的數(shù)據(jù)在線下的表現(xiàn)最好，就用通過該閾值篩選過濾出的數(shù)據(jù)，最終以0.95的閾值篩選出一半的數(shù)據(jù)作為添加到訓練集的偽標簽數(shù)據(jù)。

實驗證明這種半監(jiān)督的學習方法具有更強的泛化能力。

進一步工作

針對細粒度圖像分類，MSRA有一個結(jié)論：分析該問題時圖像的形態(tài)、輪廓特征原沒細節(jié)紋理特征重要，而傳統(tǒng)的CNN模型都是在構(gòu)建輪廓特征，因此在構(gòu)建神經(jīng)網(wǎng)絡(luò)時，應(yīng)該更加精確地找到圖像中最有區(qū)分度的子區(qū)域，然后再對這些區(qū)域采用高分辨率、精細化特征的方法，這樣可以進一步提高細粒度圖像分類的準確率。

另外對數(shù)據(jù)本身我們可能需要做更多的工作，在任務(wù)初期沒有做足夠的探索性數(shù)據(jù)分析，例如數(shù)據(jù)的分布、類型、輸入圖像的尺寸等都是影響結(jié)果的因素，因此數(shù)據(jù)分析也是后面的一個嘗試點。