一、 问题描述

  在目标检测任务中，不同数据集的目标框的清晰度可能会有差异，目标框清晰度的敏感度就是衡量这个差异的变量，而不同的目标框清晰度的数值对模型训练以及推理都会有影响。

图1 目标框清晰度举例，左图是原始图，右图是其中一个目标框的清晰度发生了变化

二、解决方法

  在深度学习任务中，Dropout是一种被广泛使用的正则化技术，这种技术存在的缺点就是随机的丢弃掉特征层的某一个单元，使得相邻特征单元共享的语义信息也会一起丢弃掉，DropBlock改进了上述问题，即可以按照特征块来进行丢弃，对深度学习网络进行正则化处理。DropBlock 是类似Dropout 的简单方法。二者的主要区别在于DropBlock丢弃层特征图的相邻区域，而不是丢弃单独的随机单元。 具体详细介绍参见DropBlock论文

DropBlock模块主要有2个参数，block_size，γ。

•  block_size：表示dropout的方块的大小（长，宽），当block_size=1，DropBlock 退化为传统的dropout，正常可以取3，5，7

•  γ：表示drop过程中的概率，也就是伯努利函数的概率

Dropout（对应b图）和DropBlock（对应c图）的对比

图2 Dropout和Dropblock原理对比图，其中，b图表示Dropout，c图表示DropBlock

tf版的官方实现方式如下：

class Dropblock(object):
  """DropBlock: a regularization method for convolutional neural networks.
    DropBlock is a form of structured dropout, where units in a contiguous
    region of a feature map are dropped together. DropBlock works better than
    dropout on convolutional layers due to the fact that activation units in
    convolutional layers are spatially correlated.
    See https://arxiv.org/pdf/1810.12890.pdf for details.
  """

  def __init__(self,
               dropblock_keep_prob=None,
               dropblock_size=None,
               data_format='channels_last'):
    self._dropblock_keep_prob = dropblock_keep_prob
    self._dropblock_size = dropblock_size
    self._data_format = data_format

  def __call__(self, net, is_training=False):
    """Builds Dropblock layer.
    Args:
      net: `Tensor` input tensor.
      is_training: `bool` if True, the model is in training mode.
    Returns:
      A version of input tensor with DropBlock applied.
    """
    if (not is_training or self._dropblock_keep_prob is None or
        self._dropblock_keep_prob == 1.0):
      return net

    logging.info('Applying DropBlock: dropblock_size %d,'
                 'net.shape %s', self._dropblock_size, net.shape)

    if self._data_format == 'channels_last':
      _, height, width, _ = net.get_shape().as_list()
    else:
      _, _, height, width = net.get_shape().as_list()

    total_size = width * height
    dropblock_size = min(self._dropblock_size, min(width, height))
    # Seed_drop_rate is the gamma parameter of DropBlcok.
    seed_drop_rate = (
        1.0 - self._dropblock_keep_prob) * total_size / dropblock_size**2 / (
            (width - self._dropblock_size + 1) *
            (height - self._dropblock_size + 1))

    # Forces the block to be inside the feature map.
    w_i, h_i = tf.meshgrid(tf.range(width), tf.range(height))
    valid_block = tf.logical_and(
        tf.logical_and(w_i >= int(dropblock_size // 2),
                       w_i < width - (dropblock_size - 1) // 2),
        tf.logical_and(h_i >= int(dropblock_size // 2),
                       h_i < width - (dropblock_size - 1) // 2))

    if self._data_format == 'channels_last':
      valid_block = tf.reshape(valid_block, [1, height, width, 1])
    else:
      valid_block = tf.reshape(valid_block, [1, 1, height, width])

    randnoise = tf.random_uniform(net.shape, dtype=tf.float32)
    valid_block = tf.cast(valid_block, dtype=tf.float32)
    seed_keep_rate = tf.cast(1 - seed_drop_rate, dtype=tf.float32)
    block_pattern = (1 - valid_block + seed_keep_rate + randnoise) >= 1
    block_pattern = tf.cast(block_pattern, dtype=tf.float32)

    if self._data_format == 'channels_last':
      ksize = [1, self._dropblock_size, self._dropblock_size, 1]
    else:
      ksize = [1, 1, self._dropblock_size, self._dropblock_size]
    block_pattern = -tf.nn.max_pool(
        -block_pattern,
        ksize=ksize,
        strides=[1, 1, 1, 1],
        padding='SAME',
        data_format='NHWC' if self._data_format == 'channels_last' else 'NCHW')

    percent_ones = tf.cast(tf.reduce_sum(block_pattern), tf.float32) / tf.cast(
        tf.size(block_pattern), tf.float32)

    net = net / tf.cast(percent_ones, net.dtype) * tf.cast(
        block_pattern, net.dtype)
    return net

三、实验验证

在开源数据集Canine Coccidiosis Parasite上面进行实验，该数据集只有一个类别，使用DropBlock之前，对目标框的清晰度敏感度分析如下所示：

图3 使用DropBlock之前，检测模型对目标框亮度敏感度分析

使用DropBlock之后，对目标框的清晰度敏感度进行分析，如下所示，可以看到，目标框清晰度敏感度从原来的0.0718降低到0.0204。

图4 使用DropBlock之后，检测模型对目标框亮度敏感度分析

可以看到，使用DropBlock之后，目标框的清晰度敏感度得到了比较大的改善

四、用户建议

在模型推理结果中，如果检测出来的类别对于目标框清晰度的敏感程度比较大，推荐在训练的时候，使用DropBlock进行模型优化和加强。