机器学习摘要:基于深度学习的目标检测技术演进

前言

本文主体内容参考自 https://www.cnblogs.com/skyfsm/p/6806246.html，补充了一些算法细节。

图像识别任务分类

图像任务

分类任务 Classification

输入： 图片
输出： 物体的类别
评估方法： 准确率，F1

定位任务 Localization

输入： 图片
输出： 方框在图片中的位置(x,y,w,h)
评估方法： 检测评级函数 intersection-over-union IOU 交并比

基本思路

思路1 看作回归问题

直接用网络预测出（x,y,w,h）四个参数的值，从而得出方框的位置。

当作回归问题

步骤1：搭建一个图像识别神经网络

image.png

步骤2：在上述神经网络的尾部展开，分为分类头和回归头，即classification + regression模式

image.png

步骤3： SGD + 欧氏距离 训练Regression，前面的卷积层保持不变
步骤4：预测阶段拼上两个头部完成不同功能
备注：regression太难做了，应想方设法转换为classification问题。regression的训练参数收敛的时间要长得多，所以上面的网络采取了用classification的网络来计算出网络共同部分的连接权值。

思路2：取图像窗口

取大小不同的框，让框出现在不同的位置获取判定得分，取得分最高的框
步骤：对一张图片，用各种大小的框（遍历整张图片）将图片截取出来，输入到CNN，然后CNN会输出这个框的得分（classification）以及这个框图片对应的x,y,h,w（regression）

遍历框

物体检测

多物体识别+定位多个物体
思路： 找出可能含有物体的框（也就是候选框，比如选1000个候选框），这些框之间是可以互相重叠互相包含的，这样我们就可以避免暴力枚举的所有框了

候选框

不同候选框方法对比：

候选框的方法的性能对比

• 滑窗法(Sliding Window)

  
  
  

  滑窗法
  
  

  方法： 首先对输入图像进行不同窗口大小的滑窗进行从左往右、从上到下的滑动。每次滑动时候对当前窗口执行分类器(分类器是事先训练好的)。如果当前窗口得到较高的分类概率，则认为检测到了物体。对每个不同窗口大小的滑窗都进行检测后，会得到不同窗口检测到的物体标记，这些窗口大小会存在重复较高的部分，最后采用非极大值抑制(Non-Maximum Suppression, NMS)的方法进行筛选。最终，经过NMS筛选后获得检测到的物
  评价： 效率低下 不同窗口大小进行图像全局搜索导致效率低下，而且设计窗口大小时候还需要考虑物体的长宽比。

• EdgeBoxes
  主要的思想：
  一个候选框中完整包含的轮廓数量与该候选框的正确概率成正比。利用边缘信息，确定候选框中轮廓个数与框边缘重叠的轮廓个数，基于此对框评分，根据得分高低确定proposal信息。

  
  
  

  EdgeBoxes算法

步骤：
首先利用结构化的方法检测出边缘，并利用非极大值抑制对边缘进行筛选；然后基于某种策略将似乎在一条直线上的边缘点集合成若干个edge group，并计算edge group之间的相似度，越是在同一直线上的edge group，其相似度越高。再通过edge group来确定轮廓数，实现策略为给每个edge group计算一个权值，将权值为1的edge group归为proposal内轮廓上的一部分，将权值为 0 的edge group归为proposal外或proposal框重叠的一部分，由此便提取得到proposal，并对proposal进行评分，选取得分最高的proposal作为最后的检测输出。

缺陷：
当一幅图像中包含多个相同的检测目标时，其得分最高的proposal几乎包含整幅图像，而不是单独的目标。原因在于，其不是基于“学习”的算法，没有训练的过程，也就没有具体的针对目标的模型，故这使得其在进行单一类别多目标检测时效果不佳。

• Selective Search

  
  
  

  选择性搜索
  
  

  图像中物体可能存在的区域应该是有某些相似性或者连续性区域的。因此，选择搜索基于上面这一想法采用子区域合并的方法进行提取bounding boxes候选边界框。

步骤

1. 对输入图像进行分割算法产生许多小的子区域（ a graph-based segmentation method by Felzenszwalb and Huttenlocher）。
2. 其次，根据这些子区域之间相似性(相似性标准主要有颜色、纹理、大小等等)进行区域合并，不断的进行区域迭代合并。
3. 每次迭代过程中对这些合并的子区域做bounding boxes(外切矩形)，这些子区域外切矩形就是通常所说的候选框

评价
　　计算效率优于滑窗法。
　　由于采用子区域合并策略，所以可以包含各种大小的疑似物体框。
　　合并区域相似的指标多样性，提高了检测物体的概率。

参考
https://www.learnopencv.com/selective-search-for-object-detection-cpp-python/

RCNN (Region With CNN Feature)

rcnn

步骤

1. 训练（或者下载）一个分类模型（比如AlexNet）
2. 对该模型做fine-tuning
3. 特征提取
   3.1 提取图像的所有候选框 selective search
   3.2 对于每一个区域：修正区域大小(剪裁和放缩) 以适合CNN的输入，做一次前向运算，将第五个池化层的输出（就是对候选框提取到的特征）存到硬盘
4. 使用二分类判断候选框内物体的类别

5. 使用回归器精细修正候选框位置：对于每一个类，训练一个线性回归模型去判定这个框是否框得完美

   
   
   

   修正器

SPP Net - Spatial Pyramid Pooling 空间金字塔池化

• ref: https://arxiv.org/pdf/1406.4729.pdf

• 为什么需要SPP

  1. 卷积层对于输入数据的大小并没有要求，唯一对数据大小有要求的则是第一个全连接层
  2. 在R-CNN中，每个候选框先resize到统一大小，然后分别作为CNN的输入，这样是很低效的。
     所以SPP Net根据这个缺点做了优化：只对原图进行一次卷积得到整张图的feature map，然后找到每个候选框zaifeature map上的映射patch，将此patch作为每个候选框的卷积特征输入到SPP layer和之后的层

• SPP原理

  
  
  

  SPP原理

https://blog.csdn.net/yzf0011/article/details/75212513 详解

• SPP 效果
  1. 多窗口的pooling会提高实验的准确率
  2. 输入同一图像的不同尺寸，会提高实验准确率(从尺度空间来看，提高了尺度不变性(scale invariance))
  3. 用了多View(multi-view)来测试，也提高了测试结果
  4. 图像输入的尺寸对实验的结果是有影响的(因为目标特征区域有大有有小)
  5. 因为我们替代的是网络的Poooling层，对整个网络结构没有影响，所以可以使得整个网络可以正常训练。

Fast RCNN

Fast R-CNN就是在RCNN的基础上采纳了SPP Net方法，在inference过程中避免重复计算feature map。

Fast-RCNN

评价

1. 共享卷积层，现在不是每一个候选框都当做输入进入CNN了，而是输入一张完整的图片，在第五个卷积层再得到每个候选框的特征

Faster R-CNN

Fast RCNN的瓶颈在于选择性搜索耗时。为此加入一个提取边缘的神经网络，也就说找到候选框的工作也交给神经网络来做了。做这样的任务的神经网络叫做Region Proposal Network(RPN)。

Region Proposal Network

• 步骤

  1. 在feature map上滑动窗口 （原文使用 33滑动窗口，并使用11卷积网络替代全连接层）

  2. 建一个神经网络用于物体分类+框位置的回归
     2.1 Anchors 每个位置最大的候选区域数量为k。
     2.2 回归层有4k个输出，(窗口一般使用四维向量(x,y,w,h)来表示)

     
     
     

     边框回归的参数
     
     
     

     image.png
     
     

     注意 只有当Proposal和Ground Truth比较接近时（线性问题），才能将其作为训练样本训练我们的线性回归模型，否则会导致训练的回归模型不work（变成复杂的非线性问题）
     2.3 分类层有2k个输出。 用于判定该proposal是前景还是背景。
     2.4 细节：全部anchors拿去训练太多了，训练程序会在合适的anchors中随机选取128个postive anchors+128个negative anchors进行训练

  3. 滑动窗口的位置提供了物体的大体位置信息
  4. 框的回归提供更精确的位置

• Proposal Layer

  1. 生成anchors，利用[dx(A)，dy(A)，dw(A)，dh(A)]对所有的anchors做bbox regression回归（这里的anchors生成和训练时完全一致）。
  2. 按照输入的foreground softmax scores由大到小排序anchors，提取前pre_nms_topN(e.g. 6000)个anchors，即提取修正位置后的foreground anchors。
  3. 利用im_info将fg anchors从MxN尺度映射回PxQ原图，判断fg anchors是否大范围超过边界，剔除严重超出边界fg anchors。
  4. 进行nms（nonmaximum suppression，非极大值抑制）。
  5. 再次按照nms后的foreground softmax scores由大到小排序fg anchors，提取前post_nms_topN(e.g. 300)结果作为proposal输出。

• ROI Pooling Layer

  1. 首先使用spatial_scale参数将proposal映射回(M/16)x(N/16)大小的feature maps尺度
  2. 将每个proposal水平和竖直都分为7份，对每一份都进行max pooling处理
  3. 实现固定长度输出

Proposal

• Faster RCNN训练
  步骤：

  1. 在已经训练好的model上，训练RPN网络，对应stage1_rpn_train.pt
  2. 利用步骤1中训练好的RPN网络，收集proposals，对应rpn_test.pt
  3. 第一次训练Fast RCNN网络，对应stage1_fast_rcnn_train.pt
  4. 第二训练RPN网络，对应stage2_rpn_train.pt
  5. 再次利用步骤4中训练好的RPN网络，收集proposals，对应rpn_test.pt
  6. 第二次训练Fast RCNN网络，对应stage2_fast_rcnn_train.pt

  • 训练RPN网络

    
    
    

    损失函数
    1. i表示anchors index，pi表示foreground softmax predict概率，pi代表对应的GT predict概率（即当第i个anchor与GT间 IoU>0.7，认为是该 anchor是 foreground，pi=1；反之IoU<0.3时，认为是该anchor是background，pi*=0；至于那些0.3
    2. bounding box regression网络训练。注意在该loss中乘了pi*，相当于只关心foreground anchors的回归
    3. 早期实现中，cls项归一化为mini-batch的大小，。reg项设为anchor位置的数量。这样两项差不多等权重。
    4. Smooth L1 loss 原因参见：https://www.jianshu.com/p/b37e454a986b
       
       

       S
       
       
       

       Smooth L1

Non-Maximum Suppression 非极大值抑制方法

1. 非极大抑制算法应用相当广泛，其主要目的是消除多余的框，找到最佳的物体检测位置。
2. 其实现的思想主要是将各个框的置信度进行排序，然后选择其中置信度最高的框A，将其作为标准选择其他框，同时设置一个阈值，当其他框B与A的重合程度超过阈值就将B舍弃掉，然后在剩余的框中选择置信度最大的框，重复上述操作。

import numpy as np
def py_cpu_nms(dets, thresh):
    """Pure Python NMS baseline."""
    x1 = dets[:, 0]
    y1 = dets[:, 1]
    x2 = dets[:, 2]
    y2 = dets[:, 3]
    scores = dets[:, 4]

    areas = (x2 - x1 + 1) * (y2 - y1 + 1) # 计算出所有图片的面积
    order = scores.argsort()[::-1] # 图片评分按升序排序
 
    keep = [] # 用来存放最后保留的图片的相应评分
    while order.size > 0: 
        i = order[0] # i 是还未处理的图片中的最大评分
        keep.append(i) # 保留改图片的值
        # 矩阵操作，下面计算的是图片i分别与其余图片相交的矩形的坐标
        xx1 = np.maximum(x1[i], x1[order[1:]]) 
        yy1 = np.maximum(y1[i], y1[order[1:]])
        xx2 = np.minimum(x2[i], x2[order[1:]])
        yy2 = np.minimum(y2[i], y2[order[1:]])
 
        # 计算出各个相交矩形的面积
        w = np.maximum(0.0, xx2 - xx1 + 1)
        h = np.maximum(0.0, yy2 - yy1 + 1)
        inter = w * h
        # 计算重叠比例
        ovr = inter / (areas[i] + areas[order[1:]] - inter)
 
        #只保留比例小于阙值的图片，然后继续处理
        inds = np.where(ovr <= thresh)[0]
        order = order[inds + 1]
 
    return keep

Hard-Negative Mining 难分样本挖掘

proposal中的正样本的数量远远小于负样本，这样训练出来的分类器的效果总是有限的，会出现许多 false negative, 即预测为负例的正样本。
Fast RCNN中ground truth 的 IoU 在 [0.1, 0.5) 之间标记为负例, 随机选择。而IOU为[0, 0.1) 的，理论上为easy example，容易分类。如果分类错误即形成false positive example， 用于 hard negative mining。
实现 一个简单的实现方式是在所有负例中随机抽取N个样本，然后根据样本的预测概率排序，取其中P个样本作为训练负样本。