开源|如何用Caffe深度学习框架实现A-Fast-RCNN

全球人工智能

文章来源：arxiv、Github 编译：马卓奇

文章投稿：[email protected]

　　论文摘要：A-Fast-RCNN模型通过用对抗网络生成具有遮挡和变形的样本，并用其训练检测网络，从而使得网络能够对样本的遮挡和变形问题更加的鲁棒。

　　如何学习一个具有变形和遮挡不变形的目标检测器？目前的方法是使用数据驱动的方法来收集大规模的数据集，然后其中会含有不同条件下的目标样本。人们希望最终的分类器可以使用这些样例来学习得到不变性。但是有可能在数据库中看到所有的遮挡样例吗？作者认为，与类别一样，遮挡和目标变形也遵循“长尾理论”。有的遮挡和变形样例很少见，甚至于几乎不会出现，但是我们需要学习一个可以对这些现象不敏感的模型。在这篇文章中，作者提出了一个替代方法。作者提出学习得到一个对抗式网络，可以生成具有遮挡和变形情况的样例。对抗网络的目标是生成让目标检测器难以分类的样例。在该算法框架下，原始的检测器和对抗式网络都是联合学习的。实验结果表明，与Fast-RCNN框架相比，我们的算法在VOC07数据库上的（mAP）有2.3%的提高，在VOC2012目标检测挑战数据库上平均识别精度(mAP)有2.6%的提高。我们也公布了这篇文章的代码。

　　网络结构

　　

ASDN网络结构以及与Fast RCNN的结合方法

　　ASDN网络采用使用RoI池化层提取的图像块特征作为输入。ASDN网络产生一个遮挡/丢弃掩模（occlusion/dropout mask），在下一步用于丢弃特征值，并且传递给Fast-RCNN的分类塔

　　代码实现：

　　这是基于Caffe版本的A-Fast-RCNN。我们最开始是用torch实现的，但是Caffe复现的版本更简单，更快，使用起来也更方便。

　　我们也发布了用对抗式空间丢弃网络（Adversarial SpatialDropout Network）来训练A-Fast-RCNN的代码。

　　声明：

　　该版本实现基于OHEM的代码复现，而它也是依次基于Faster R-CNN的Python代码和Fast R-CNN的代码实现的。如果使用相应部分的模型或代码，请引用他们的论文。

　　OHEM代码地址：https://github.com/abhi2610/ohem

　　Faster R-CNN代码地址：https://github.com/rbgirshick/py-faster-rcnn

　　Fast R-CNN代码地址：https://github.com/rbgirshick/fast-rcnn

　　运行数据效果：

　　| Approach | training data | test data | mAP

　　| Fast R-CNN (FRCN) | VOC 07 trainval | VOC 07 test | 67.6

　　| FRCN with adversary | VOC 07 trainval | VOC 07 test | 70.8

　　注：该结果基于VGG16网络

　　安装地址：

　　请根据安装说明进行准确安装，并且下载VOC数据库以及Faster R-CNN Python代码。

　　下载地址：https://github.com/rbgirshick/py-faster-rcnn

　　Github的使用方法运行代码

　　./train.sh

　　包含三个阶段的训练：

　　1 训练标准的Fast-RCNN，进行10000次迭代，可以在这里下载该阶段的作者的模型和训练日志。

　　模型：https://dl.dropboxusercontent.com/u/334666754/CVPR2017_AFRCNN/fast_rcnn_std_iter_10000.caffemodel

　　日志：https://dl.dropboxusercontent.com/u/334666754/CVPR2017_AFRCNN/fast_rcnn_std.txt.2017-04-08_16-53-59

　　./experiments/s/fast_rcnn_std.sh [GPU_ID] VGG16 pascal_voc

　　2 对抗式网络的预训练阶段，可以在这里下载该阶段的作者的模型和训练日志。

　　模型：https://dl.dropboxusercontent.com/u/334666754/CVPR2017_AFRCNN/fast_rcnn_adv_pretrain_iter_25000.caffemodel

　　日志：https://dl.dropboxusercontent.com/u/334666754/CVPR2017_AFRCNN/fast_rcnn_adv_pretrain.txt.2017-04-08_19-39-49

　　./experiments/s/fast_rcnn_adv_pretrain.sh [GPU_ID] VGG16 pascal_voc

　　复制上述两个模型的权重，用于初始化联合模型

　　./copy_model.h

　　3 检测器和对抗式网络的联合训练，可以在这里下载该阶段的作者的模型和训练日志。

　　模型：https://dl.dropboxusercontent.com/u/334666754/CVPR2017_AFRCNN/fast_rcnn_adv_iter_40000.caffemodel

　　日志：https://dl.dropboxusercontent.com/u/334666754/CVPR2017_AFRCNN/fast_rcnn_adv.txt.2017-04-09_22-09-57

　　./experiments/s/fast_rcnn_adv.sh [GPU_ID] VGG16 pascal_voc

　　GitHub资源：https://github.com/xiaolonw/adversarial-frcnn

　　论文地址：https://arxiv.org/pdf/1704.03414.pdf

　　AIJob社是《全球人工智能》旗下专门为AI开发工程师免费服务的求职平台。我们将竭尽全力帮助每一个ai工程师对接自己喜欢的企业，推荐给你喜欢的直接领导，帮你谈一个最好的薪资待遇。

　　微信咨询：aihr007简历投递:[email protected]企业合作:[email protected]

　　《全球人工智能》招聘5名兼职翻译：图像技术、语音技术、自然语言、机器学习、数据挖掘等专业技术领域，工作内容及待遇请添加工作人员微信：C691993。