LongShortNet 模型介绍

任务说明

本模型所述的任务为流感知（Streaming Perception）任务，该任务为视频目标检测（Video Object Detection, VOD）任务的一个新的细分方向。如上图上半部分所示，传统的VOD采用离线的处理模式，没有考虑模型的延时，所以模型检测结果和真实环境存在由于模型延时造成的误差。而流感知任务在关注模型精度的同时，也考虑了模型的延时，如上图下半部分所示，这样得到的检测结果与真实环境更加匹配。所以说，流感知任务是一个更加贴近自动驾驶真实应用场景的任务。

模型描述

LongShortNet是对流感知任务已有方法StreamYOLO的改进，主要的改进点有以下几个方面：

1. 在流感知任务中首次引入长时序信息。原有的StreamYOLO方法仅使用当前帧和前一帧两帧信息作为输入，这样的短时序信息无法表征复杂的运动状态，如：非匀速运动、非直线运动、物体遮挡等；
2. 本模型提出了一种长短时序融合模块（Long-Short Fusion Module, LSFM）。探索了不同的时序融合方式，最终得到一种在精度和速度上能有较好平衡的融合方式；
3. 本模型在流感知的公开评测数据集Argoverse-HD上，在几乎不增加推理耗时的前提下，达到了SOTA水平。

• 在模型结构方面，LongShortNet与StreamYOLO保持一致，采用YOLOX作为基础网络结构。

LongShortNet的整体框图如下图所示：

期望模型使用方式以及适用范围

该模型适用于自动驾驶场景目标预测检测，，支持8类交通目标检测，具体的类别信息如下：

类别ID	类别名称
1	person
2	bicycle
3	car
4	motorcycle
5	bus
6	truck
7	traffic_light
8	stop_sign

如何使用

在ModelScope框架上，提供输入视频，即可以通过简单的Pipeline调用使用当前模型，得到视频中目标位置及类别。

推理代码范例

基础示例代码。下面的示例代码展示的是如何通过一个视频作为输入，得到图片对应的交通目标坐标信息。

import cv2
from modelscope.pipelines import pipeline
from modelscope.utils.constant import Tasks
from modelscope.outputs import OutputKeys

model_id = 'damo/cv_cspnet_video-object-detection_longshortnet'
test_video = 'https://modelscope.oss-cn-beijing.aliyuncs.com/test/videos/test_realtime_vod.mp4'
# 初始化实时检测pipeline
realtime_video_object_detection = pipeline(
    Tasks.video_object_detection, model=model_id)

# 进行实时检测 
result = realtime_video_object_detection(test_video)
if result:
    bboxes_list = result[OutputKeys.BOXES]
    print(bboxes_list)
else:
    raise ValueError('process error')

模型局限性以及可能的偏差

• 对于非自动驾驶前置摄象机场景会出现明显检测性能下降的情况。

训练数据介绍

Argoverse-HD 数据集是最近提出的自动驾驶数据集，该数据集与其他的自动驾驶相比，数据规模中等，复杂程度较高，是一个较有代表性的数据集。更重要的是，Argoverse-HD 是第一个提出流感知任务的数据集，并且设计了Stream AP评测标准。该标准将感知时延充分考虑，实现对模型的性能-速度的全面、有效评价。

训练

本模型暂时不支持finetune， 具体离线训练细节如下：

• 在Argoverse-HD 上训练8个epoch
• 使用SGD优化算法，线性 LR 策略
• 使用flip数据增强， 多尺度训练增强

输入预处理

• 输入图像根据短边resize到640后，padding 为640x960的矩形进行推理
• 图像归一化

数据评估及结果

模型在Argoverse-HD的验证集上客观指标如下：

Model	size	velocity	sAP 0.5:0.95	sAP50	sAP75	weights	COCO pretrained weights
LongShortNet-S	600×960	1x	29.8	50.4	29.5	official	official
LongShortNet-M	600×960	1x	34.1	54.8	34.6	official	official
LongShortNet-L	600×960	1x	37.1	57.8	37.7	official	official

相关论文以及引用信息

 @article{LongShortNet,
  title={LongShortNet: Exploring Temporal and Semantic Features Fusion in Streaming Perception},
  author={Chenyang Li, Zhi-Qi Cheng, Jun-Yan He, Pengyu Li, Bin Luo, Han-Yuan Chen, Yifeng Geng, Jin-Peng Lan and Xuansong Xie},
  journal={ICASSP},
  year={2023}
}