|
設(shè)置星標(biāo)可優(yōu)先看到本公眾號的文章
本文將討論目標(biāo)檢測的基本方法(窮盡搜索、R-CNN、Fast R-CNN和Faster R-CNN)，并嘗試?yán)斫饷總€模型的技術(shù)細(xì)節(jié)。為了讓經(jīng)驗水平各不相同的讀者都能夠理解，文章不會使用任何公式來進(jìn)行講解。目標(biāo)檢測(或識別)基于圖像分類。圖像分類是通過上圖所示的像素網(wǎng)格，將圖像分類為一個類類別。目標(biāo)識別是對圖像中的對象進(jìn)行識別和分類的過程，如下圖所示：
為了使模型能夠?qū)W習(xí)圖像中對象的類別和位置，目標(biāo)必須是一個五維標(biāo)簽(類別，x, y，寬度，長度)。
最簡單的目標(biāo)檢測方法是對圖像的各個子部分使用圖像分類器，讓我們來逐個考慮：這種方法存在一個問題，對象可能具有的不同縱橫比和空間位置，這可能導(dǎo)致對大量區(qū)域進(jìn)行不必要的昂貴計算。它在計算時間方面存在太大的瓶頸，從而無法用于解決實際問題。最近有種方法是將問題分解為兩個任務(wù)：首先檢測感興趣的區(qū)域，然后進(jìn)行圖像分類以確定每個對象的類別。第一步通常是使用區(qū)域提議方法。這些方法輸出可能包含感興趣對象的邊界框。如果在一個區(qū)域提議中正確地檢測到目標(biāo)對象，那么分類器也應(yīng)該檢測到了它。這就是為什么對這些方法而言，快速和高回應(yīng)率非常重要。重要的是這兩個方法不僅要是快速的，還要有著很高的回應(yīng)率。這兩個方法還使用了一種聰明的體系結(jié)構(gòu)，其中目標(biāo)檢測和分類任務(wù)的圖像預(yù)處理部分相同，從而使其比簡單地連接兩個算法更快。選擇性搜索是最常用的區(qū)域提議方法之一。從圖像分割輸出中，選擇性搜索將依次進(jìn)行：
層次分組
在了解了選擇性搜索的工作原理后，接著看一些使用該法最常見的目標(biāo)檢測算法。Ross Girshick等人提出了區(qū)域CNN（R-CNN），允許選擇性搜索與CNN結(jié)合使用。實際上，對于每個區(qū)域方案（如本文中的2000），一個正向傳播會通過CNN生成一個輸出向量。這個向量將被輸入到one-vs-all分類器中。每個類別一個分類器，例如一個分類器設(shè)置為如果圖像是狗，則標(biāo)簽=1，否則為0，另一個分類器設(shè)置為如果圖像是貓，標(biāo)簽= 1，否則為0，以此類推。R-CNN使用的分類算法是SVM。但如何將該地區(qū)標(biāo)記為提議呢?當(dāng)然，如果該區(qū)域完全匹配真值，可以將其標(biāo)為1，如果給定的對象根本不存在，這個對象可以被標(biāo)為0。如果圖像中存在對象的一部分怎么辦?應(yīng)該把這個區(qū)域標(biāo)記為0還是1?為了確保訓(xùn)練分類器的區(qū)域是在預(yù)測一幅圖像時可以實際獲得的區(qū)域（不僅僅是那些完美匹配的區(qū)域），來看看選擇性搜索和真值預(yù)測的框的并集（IoU)。IoU是一個度量，用預(yù)測的框和真值框的重疊面積除以它們的并集面積來表示。它獎勵成功的像素檢測，懲罰誤報，以防止算法選擇整個圖像。回到R-CNN方法，如果IoU低于給定的閾值(0.3)，那么相對應(yīng)的標(biāo)簽將是0。
在對所有區(qū)域建議運行分類器后，R-CNN提出使用一個特定類的邊界框（bbox）回歸量來優(yōu)化邊界框。bbox回歸量可以微調(diào)邊界框的邊界位置。例如，如果選擇性搜索已經(jīng)檢測到一只狗，但只選擇了它的一半，而意識到狗有四條腿的bbox回歸量，將確保狗的整個身體被選中。也多虧了新的bbox回歸預(yù)測，我們可以使用非最大抑制（NMS）舍棄重疊建議。這里的想法是識別并刪除相同對象的重疊框。NMS根據(jù)分類分?jǐn)?shù)對每個類的建議進(jìn)行排序，并計算具有最高概率分?jǐn)?shù)的預(yù)測框與所有其他預(yù)測框(于同一類)的IoU。如果IoU高于給定的閾值（例如0.5），它就會放棄這些建議。然后對下一個最佳概率重復(fù)這一步。根據(jù)選擇性搜索創(chuàng)建區(qū)域建議（即,對圖像中可能包含對象的部分進(jìn)行預(yù)測）。 將這些地區(qū)帶入到pre-trained模型，然后運用支持向量機分類子圖像。通過預(yù)先訓(xùn)練的模型運行這些區(qū)域，然后通過SVM（支持向量機）對子圖像進(jìn)行分類。 通過邊界框預(yù)測來運行正向預(yù)測，從而獲得更好的邊界框精度。 在預(yù)測過程中使用NMS去除重疊的建議。
R-CNN 網(wǎng)絡(luò)
該方法仍然需要分類所有地區(qū)建議，可能導(dǎo)致達(dá)到計算瓶頸——不可能將其用于實時用例。 在選擇性搜索階段不會學(xué)習(xí),可能導(dǎo)致針對某些類型的數(shù)據(jù)集會提出糟糕的區(qū)域建議。
小小的改進(jìn)：Fast R-CNN（快速R-CNN） Fast R-CNN，顧名思義，比R-CNN快。它基于R-CNN，但有兩點不同：不再向CNN提供對每個地區(qū)的提議,通過對CNN提供整幅圖像來生成一個卷積特性映射（使用一個過濾器將矢量的像素轉(zhuǎn)換成另一個矢量,能得到一個卷積特性映射）。接下來，建議區(qū)域被識別與選擇性搜索，然后利用區(qū)域興趣池（RoI pooling）層將它們重塑成固定大小，從而能夠作為全連接層的輸入。 Fast-RCNN使用更快,精度更高的softmax層而不是SVM來進(jìn)行區(qū)域建議分類。
以下是該網(wǎng)絡(luò)的架構(gòu)：如下所示，F(xiàn)ast R-CNN在訓(xùn)練和測試方面比R-CNN要快得多。但是，受選擇性搜索方法的影響，該方法仍然存在瓶頸。
雖然Fast R-CNN比R-CNN快得多，但其瓶頸仍然是選擇性搜索，因為它非常耗時。因此，任少卿等人設(shè)計了更快R-CNN來解決這個問題，并提出用一個非常小的卷積網(wǎng)絡(luò)區(qū)域提議網(wǎng)Region Proposal network（RPN）代替選擇性搜索來尋找感興趣的區(qū)域。簡而言之，RPN是一個直接尋找區(qū)域建議的小型網(wǎng)絡(luò)。一種簡單的方法是創(chuàng)建一個深度學(xué)習(xí)模型，輸出x_min、y_min、x_max和x_max來獲得一個區(qū)域建議的邊界框（如果我們想要2000個區(qū)域，那么就需要8000個輸出）。然而，有兩個基本問題：
圖像的大小和比例可能各不相同,所以很難創(chuàng)建一個能正確地預(yù)測原始坐標(biāo)的模型。 在預(yù)測中有一些坐標(biāo)排序約束(x_min < x_max, y_min < y_max)。
為了克服這個問題，我們將使用錨：錨是在圖像上預(yù)設(shè)好不同比例和比例的框。（錨點是預(yù)定義的框，它們具有不同的比例，并在整個圖像上縮放。）例如，對于給定的中心點，通常從三組大小（例如，64px, 128px, 256px）和三種不同的寬高比（1/1,1/2,2/1）開始。在本例中，對于圖像的給定像素（方框的中心），最終會有9個不同的方框。錨-比例和縮放
我們不打算在原始圖像上創(chuàng)建錨點，而是在最后一個卷積層的輸出特征圖上創(chuàng)建錨點，這一點非常重要。例如，對于一個1000*600的輸入圖像，由于每個像素有一個錨點，所以有1000 *600*9=5400000個錨點，這是錯誤的。確實，因為要在特征圖譜上創(chuàng)建它們，所以需要考慮子采樣比率，即由于卷積層的大步移動，輸入和輸出維度之間的因子減少。在示例中，如果我們將這個比率設(shè)為16（像在VGG16中那樣），那么特征圖譜的每個空間位置將有9個錨，因此“只有”大約20000個錨（5400000/ 16^2）。這意味著輸出特征中的兩個連續(xù)像素對應(yīng)于輸入圖像中相距16像素的兩個點。注意，這個下降采樣比率是Faster R-CNN的一個可調(diào)參數(shù)。錨點中心
現(xiàn)在剩下的問題是如何從那20000個錨到2000個區(qū)域建議（與之前的區(qū)域建議數(shù)量相同），這是RPN的目標(biāo)。如何訓(xùn)練區(qū)域建議網(wǎng)絡(luò) 要實現(xiàn)這一點，需要RPN告知框包含的是對象還是背景，以及對象的精確坐標(biāo)。輸出預(yù)測有作為背景的概率，作為前景的概率，以及增量Dx, Dy, Dw, Dh，它們是錨點和最終建議之間的差異。1.第一,我們將刪除跨邊界錨（即因為圖像邊界而被減去的錨點）,這給我們留下了約6000張圖像。2.如果存在以下兩個條件中的任一，我們需要標(biāo)簽錨為正：在所有錨中，該錨具有最高的IoU，并帶有真值框。 錨點至少有0.7的IoU，并帶有真值框。
3.如果錨的IoU在所有真值框中小于0.3，需要標(biāo)簽其為負(fù)。5.訓(xùn)練二進(jìn)制分類和邊界框回歸調(diào)整。希望正錨和負(fù)錨的數(shù)量在小批處理中能夠平衡。 因為想盡量減少損失而使用了多任務(wù)損失，這是有意義的——損失有錯誤預(yù)測前景或背景的錯誤，以及方框的準(zhǔn)確性的錯誤。 使用預(yù)先訓(xùn)練好的模型中的權(quán)值來初始化卷積層。
如何使用區(qū)域建議網(wǎng)絡(luò)所有錨（20000）計入后得到新的邊界框和成為所有邊界框的前景（即成為對象）的概率。 使用non-maximum抑制。 建議選擇：最后,僅保留按分?jǐn)?shù)排序的前N個建議（當(dāng)N=2000，回到2000個區(qū)域建議）。
像之前的方法一樣，最終獲得了2000個方案。盡管看起來更復(fù)雜，這個預(yù)測步驟比以前的方法更快更準(zhǔn)確。下一步是使用RPN代替選擇性搜索，創(chuàng)建一個與Fast R-CNN相似的模型（即RoI pooling和一個分類器+bbox回歸器）。然而，不像之前那樣，把這2000個建議進(jìn)行裁剪，然后通過一個預(yù)先訓(xùn)練好的基礎(chǔ)網(wǎng)絡(luò)進(jìn)行傳遞。而是重用現(xiàn)有的卷積特征圖。實際上，使用RPN作為提案生成器的一個好處是在RPN和主檢測器網(wǎng)絡(luò)之間共享權(quán)值和CNN。使用預(yù)先訓(xùn)練好的網(wǎng)絡(luò)對RPN進(jìn)行訓(xùn)練，然后進(jìn)行微調(diào)。 使用預(yù)先訓(xùn)練好的網(wǎng)絡(luò)對檢測器網(wǎng)絡(luò)進(jìn)行訓(xùn)練，然后進(jìn)行微調(diào)。使用來自RPN的建議區(qū)域。 使用來自第二個模型的權(quán)重對RPN進(jìn)行初始化，然后進(jìn)行微調(diào)——這將是最終的RPN模型)。 最后，對檢測器網(wǎng)絡(luò)進(jìn)行微調(diào)(RPN權(quán)值固定)。CNN的特色圖將在兩個網(wǎng)絡(luò)之間共享，請參見下圖。
Faster R-CNN網(wǎng)絡(luò)
綜上所述，F(xiàn)aster R-CNN比之前的方法更準(zhǔn)確，比Fast-R-CNN快10倍左右，這是一個很大的進(jìn)步，也是實時評分的開始。即便如此，區(qū)域建議檢測模型對于嵌入式系統(tǒng)來說還是不夠，因為這些模型太笨重，而且對于大多數(shù)實時評分案例來說速度也不夠快——最后一例是大約每秒檢測5張圖像。
|
