2020年12月3号,CINS进行了2020年第十二Seminar,主讲人分别为支港和安玉钏。

第一位主讲人是20级的支港。他此次为大家讲解的是A survey of Anomaly Detection,他本次分为三个部分讲解,分别为定义和应用,现有的算法,困难和挑战。首先介绍了什么是异常,异常是数据中不符合定义良好的正常行为概念的模式。并且结合图片介绍了三种异常类型。紧接着为我们详细介绍了常见的异常检测算法,分别是基于统计,基于密度,基于神经网络。最后讲解了异常检测算法要面对一些挑战:1.定义一个包含所有可能的正常行为的正常区域是非常困难的。2、在许多领域中,正常行为不断演变,而当前的正常行为概念在未来可能无法充分代表。3、通常,数据中包含的噪声往往与实际异常相似,因此很难区分和消除。4、对于不同的应用领域,异常的确切概念是不同的。

第二位主讲人是20级的安玉钏,她此次为大家分享的是一篇名为《EfficientDet:Scalable and Efficient Object Detection》的论文,这篇论文提出一种在资源约束条件下,构建一种同时兼顾速度和精度的目标检测模型。

安玉钏同学介绍了EfficientDet的构成,由四部分组成,主干特征、bifpn、分类/检测框预测。其中bifpn是基于3-7层的特征进行的,然后送到分类网络、框预测网络,其中分类预测网络和目标框预测网络在特征级上权重是共享的。

首先介绍了网络构成的第一部分EfficientNet,主干特征网络,用于提取图片特征。目的是想兼顾模型的精度和速度,灵感是来自卷积神经网络的放大。人们经常根据资源的限制,对模型进行调整。下图解释了什么叫模型的放大,分别从网络的深度、网络的宽度、输入图片分辨率进行放大。然后展示了作者提出了从这三个角度联合放大网络。

为了联合网络宽度、网络深度、图像分辨率进行放大,要求出三个参数的最优组合。针对该最优问题,安玉钏同学分别对卷积神经网络进行建模、求目标函数、求约束条件、EffcientNet-B0的构建。为了满足目标函数和约束条件,引入Φ参数,并将3个待优化参数都用Φ指数表示。首先固定Φ=1,再结合基于神经架构搜索的方法,求得最佳的参数分别是α=1.2、β=1.1、γ=1.15。

第二部分安玉钏同学介绍融合特征的网络即Bi-FPN网络,进行多尺度特征融合。安玉钏同学分别介绍了FPN、PANet、NAS-FPN三种网络和他们各自的优缺点,接下来提出论文中Bi-FPN。

第三部分介绍了整个网络的联合放大compound scaling。安玉钏同学提到之前讲的EfficientNet使用一个系数φ来控制网络宽度,深度和输入图像分辨率的放大倍率。EfficientDet在这个基础上作了进一步的扩展。与EfficientNet类似,作者也是用一个复合系数ϕ控制backbone,BIFPN,Box/class预测网络以及输入图像分辨率的缩放。然后展示了efficientDet-D0 到 D7的网络结构。

 

以下是支港,安玉钏同学在此次seminar的评分: