卷积神经网络CNN-目标探测

卷积神经网络CNN-目标探测

1. 目标探测介绍

利用神经网络进行目标识别，同样的目标变为坐标值。

直接思路：局部识别问题

在很多位置尝试识别，能够完成识别的地方就是目标位置。

问题：怎样找到候选位置？
Answer：

• 利用不同scale的sliding windows来遍历图片的所有位置，缺点是计算量大，需要进行大量的重复。
• 更有效的方法：直接计算候选区域。

2. 传统方法-DPM

基本思想

提取图像特征，制作出激励模板（可以认为是人工设计一个复杂形状的卷积核），在原始图像滑动计算，得到激励效果图，根据激励分布确定目标位置。

拓展

目标可能会变形，各个部分单独考虑（DPM-Deformable Parts Model）

• 产生多个模板，整体模板以及不同局部模板；
• 不同模板同输入图片“卷积”产生特征图；
• 特征图组合形成融合特征；
• 对融合特征进行传统分类，回归，得到目标位置。
  

3. 神经网络分类：R-CNN系列方法

神经网络分类思想：
对多个位置，不同尺寸，用卷积神经网络判断区域内的图片是不是某物。
候选位置（proposal）提出方法： EdgeBox

R-CNN

1.分类器的训练
直接用ImageNet模型

2.Fine-tune分类模型

• 选择20类进行探测；
• 对原始分类模型结构进行更改；
• 最终定位21个目标（20类+其他）

3.特征提取

• 图片计算候选区域；
• 候选区域切分图片，变成输入大小；
• 图区相应高级特性；
  

4.单独目标探测器训练

• 每一类单独训练；
• 每一类训练数据平衡；
• 每一类binary分类，一般用SVM。

5.单独目标回归器训练-基于候选区域微调

• 每一类单独训练
• 每一类训练数据回归
• 每一类BBOX回归

6.测试过程

7.评估方法
mAP：mean average precision，平均精度

IoU：

8.优缺点

• CNN用于目标探测，利用了CNN高效识别能力，大大提高性能；
• 摆脱人为设计物品模板，方法具有通用性；

• 分类+回归，有了找到精确位置的可能；

• 为了检测一个目标，对所有候选区域进行计算，含有大量卷积运算，速度慢；

• SVM训练与CNN断裂，有效信息不能用于优化模型，不是end-to-end；
• 每一类单独训练，异常繁琐。

Fast R-CNN

• 共享卷积计算；
• 完整训练（end-to-end）；
• 多目标一起学习。
  

1.共享卷积计算

• 卷积计算保持空间位置；
• 共同区域的卷积计算只需进行一次；
• 切割候选区+提取特征图=计算完整特征图+切割对应候选区。

2.特征一致化
问题：不同区域特征如何保持一致?
Answer：进行特征一致化-Max-Pooling。
如： 100×50 则按照 4:2 的比例进行pooling。

3.位置+类别的联合学习

Faster R-CNN

?：如何解决候选区域的生成问题？
将神经网络特征增加一组输出RPN（Region Proposal Network）候选区域网络。

• 直接产生候选区域，无需额外生成；
• 直接用于后续特征图切割。
  

1.Fast R-CNN RPN的实现

RPN的具体流程如下：
使用一个小网络在最后卷积得到的特征图上进行滑动扫描，这个滑动网络每次与特征图上 n×n （论文中n=3）的窗口全连接（图像的有效感受野很大，ZF是171像素，VGG是228像素），然后映射到一个低维向量（256d for ZF / 512d for VGG），最后将这个低维向量送入到两个全连接层，即bbox回归层（reg）和box分类层（cls）。sliding window的处理方式保证reg-layer和cls-layer关联了conv5-3的全部特征空间。

具有k=9（3种尺寸，三种长宽比）个Anchor。

• 三种尺度（面积） 1282,2562,5122 ，三种比例 1:1,1:2,2:1 ，所以每一个位置都有 3×3=9 个anchor。

• 原图 600×1000 经CNN卷积后，在CNN最后一层（conv5）得出的是 40×60 大小的特征图，对应文中说的典型值为2400。若特征图大小为W*H，则需要W*H*K个anchor，本文中需要40*60*9≈2k个。

2.Anchor详解：

• 如果是VGG conv5作为特征图， 3×3 区域对应的原始图像区域？
  
  • 因为VGG有4个pooling，相当于有16倍的扩充。
• Anchor的平移不变怎么理解？
  
  • 因为较小的平移在pooling的过程中会被忽略掉。
• Anchor同外接Proposal区别？
  
  • 数量：1-2个数量级减少；
  • 性能：更高效；
  • 速度：10倍提升
• Anchor设计的借鉴意义？
  
  • 神经网络有能力找到最终量，也有能力找到很多中间量。

比较：

4. 神经网络回归：YoLo系列方法

YoLo训练

YoLo直接将图片分成 7×7 网格，每个网格生成：

• b个Bbox （一般是两个）+4个坐标+1个信心；
• N个类别分数。
  
  总共回归目标： 7×7×(5b+N)
  候选区域个数： 7×7×2 （b=2）

SSD训练

中间层特征参与最后的位置和种类的计算。

5. 实例目标探测模型和部署

Faster RCNN

fork代码参加：https://github.com/KoalaTree/Faster-RCNN_TF

YoLo

fork代码参加：https://github.com/KoalaTree/YOLO_tensorflow