目标检测之模型篇（7）【SegLink】
文章目录
- 1. 前言
- 2. SSD网络结构
- 2.1 不同算法基本框架图
- 2.2 SSD的三个核心设计理念
- 2.2.1 采用多尺度特征图用于检测
- 2.2.2 采用卷积进行检测
- 2.2.3 设置先验框
- 2.3 SSD网络结构
- 2.4 SSD训练过程
- 2.4.1 先验框匹配
- 2.4.2 损失函数
- 2.4.3 数据扩增
- 2.5 SSD预测过程
- 2.6 SSD总结
- 3. Seglink
- 3.1 网络结构
- 3.2 Segment检测
- 3.3 Link检测
- 3.3.1 层内link检测
- 3.3.2 跨层link检测
- 3.3.3 网络预测输出的维度
- 3.4 Combining Segments with Links算法
- 3.5 训练
- 3.5.1 Ground Truth
- 3.5.2 损失函数
- 3.5.3 数据增广
- 3.5.4 结果
- 4. 总结
- 5. 参考资料
1. 前言
这篇文章本应放在第五个读，而我查阅资料后临时改变了顺序。因为之前的几篇是two-stage方法，如R-CNN系算法，其主要思路是先通过启发式方法（selective search）或者CNN网络（RPN)产生一系列稀疏的候选框，然后对这些候选框进行分类与回归；而SegLink,Textboxes/Textboxes++都是基于SSD，也就是one-stage方法，如Yolo和SSD，其主要思路是均匀地在图片的不同位置进行密集抽样，抽样时可以采用不同尺度和长宽比，然后利用CNN提取特征后直接进行分类与回归，整个过程只需要一步。因此对阅读顺序进行了调整，为保持思路了连贯性，把SegLink,Textboxes/Textboxes++放后面读。
言归正传，什么叫SegLink呢？因为本文提出了将文本分割成两个局部可检测的元素：Segment和Link。
Segment:带有方向的小文字块
Link:把小文字块用邻近连接给link成单词
Seglink提出了基于SSD的改进版网络结构(全卷积网络结构)同时预测不同尺度的segments和link，提出层内link、跨层link两种link，可以检测任意长度、任意方向的文本。
2. SSD网络结构
SSD全称Single Shot MultiBox Detector，Single代表是one-stage方法，multibox表示会有多个预测框。
2.1 不同算法基本框架图
对于Faster R-CNN，其先通过CNN得到候选框，然后再进行分类与回归，而Yolo与SSD可以一步到位完成检测。相比Yolo，SSD采用CNN来直接进行检测，而不是像Yolo那样在全连接层之后做检测。其实采用卷积直接做检测只是SSD相比Yolo的其中一个不同点，另外还有两个重要的改变，一是SSD提取了不同尺度的特征图来做检测，大尺度特征图（较靠前的特征图）可以用来检测小物体，而小尺度特征图（较靠后的特征图）用来检测大物体；二是SSD采用了不同尺度和长宽比的先验框（Prior boxes, Default boxes，在Faster R-CNN中叫做锚，Anchors）。Yolo算法缺点是难以检测小目标，而且定位不准，但是这几点重要改进使得SSD在一定程度上克服这些缺点。
2.2 SSD的三个核心设计理念
2.2.1 采用多尺度特征图用于检测
上图为不同尺度的特征图。SSD采用不同尺度的特征图，大的特征图（如上图的8x8）可划分更小尺度的检测单元，检测相对较小的目标，而小的特征图（如上图的4x4）检测的是相对较大的目标。
2.2.2 采用卷积进行检测
与Yolo最后采用全连接层不同，SSD直接采用卷积对不同的特征图来进行提取检测结果。对于形状为 m × n × p m\times n \times p m×n×p 的特征图，只需要采用 3 × 3 × p 3\times 3 \times p 3×3×p 这样比较小的卷积核得到检测值。
2.2.3 设置先验框
在Yolo中，每个单元预测多个边界框，但是其都是相对这个单元本身（正方块），但是真实目标的形状是多变的，Yolo需要在训练过程中自适应目标的形状。而SSD借鉴了Faster R-CNN中anchor的理念，每个单元设置尺度或者长宽比不同的先验框，预测的边界框（bounding boxes）是以这些先验框为基准的，在一定程度上减少训练难度。一般情况下，每个单元会设置多个先验框，其尺度和长宽比存在差异，如下图所示，可以看到每个单元使用了4个不同的先验框，图片中猫和狗分别采用最适合它们形状的先验框来进行训练。
2.3 SSD网络结构
上图中上面的是SSD，下面的是YOLO。对比可得，SSD利用了多尺度的特征图做检测。
SSD采用VGG16作为基础模型，然后在VGG16的基础上新增了卷积层来获得更多的特征图以用于检测。分别将VGG16的全连接层fc6和fc7转换成 3 × 3 3\times3 3×3 卷积层 conv6和 1 × 1 1\times1 1×1 卷积层conv7，同时将池化层pool5由原来的stride=2的 2 × 2 2\times 2 2×2 变成stride=1的 3 × 3 3\times 3 3×3，为了配合这种变化，采用了一种Atrous Algorithm，其实就是conv6采用扩展卷积或带孔卷积（Dilation Conv），其在不增加参数与模型复杂度的条件下指数级扩大卷积的视野，其使用扩张率(dilation rate)参数，来表示扩张的大小，如下图所示，(a)是普通的 3 × 3 3\times3 3×3 卷积，其视野就是 3 × 3 3\times3 3×3 ，(b)是扩张率为1，此时视野变成 7 × 7 7\times7 7×7 ，( c ) 扩张率为3时，视野扩大为 15 × 15 15\times15 15×15 ，但是视野的特征更稀疏了。Conv6采用 3 × 3 3\times3 3×3 大小但dilation rate=6的扩展卷积。
然后移除dropout层和fc8层，并新增一系列卷积层，在检测数据集上做finetuing。
2.4 SSD训练过程
2.4.1 先验框匹配
在训练过程中，首先要确定训练图片中的ground truth（真实目标）与哪个先验框来进行匹配，与之匹配的先验框所对应的边界框将负责预测它。SSD的先验框与ground truth的匹配原则主要有两点：
- 对于图片中每个ground truth，找到与其IOU最大的先验框，该先验框与其匹配，这样，可以保证每个ground truth一定与某个先验框匹配。通常称与ground truth匹配的先验框为正样本，反之，若一个先验框没有与任何ground truth进行匹配，那么该先验框只能与背景匹配，就是负样本。
一个图片中ground truth是非常少的， 而先验框却很多，如果仅按第一个原则匹配，很多先验框会是负样本，正负样本极其不平衡，所以需要第二个原则。
- 对于剩余的未匹配先验框，若某个ground truth的IOU大于某个阈值（一般是0.5），那么该先验框也与这个ground truth进行匹配。
这意味着某个ground truth可能与多个先验框匹配，这是可以的。但是反过来却不可以，因为一个先验框只能匹配一个ground truth，如果多个ground truth与某个先验框IOU大于阈值，那么先验框只与IOU最大的那个先验框进行匹配。第二个原则一定在第一个原则之后进行。
上图是一个例子，绿色的是Ground Truth，红色的是先验框。TP(Truth Positive)正样本,FP(False Positive)是负样本。
尽管一个ground truth可以与多个先验框匹配，但是ground truth相对先验框还是太少了，所以负样本相对正样本会很多。为了保证正负样本尽量平衡，SSD采用了hard negative mining，就是对负样本进行抽样，抽样时按照置信度误差（预测背景的置信度越小，误差越大）进行降序排列，选取误差的较大的top-k作为训练的负样本，以保证正负样本比例接近1:3。
2.4.2 损失函数
训练样本确定了，然后就是损失函数了。损失函数定义为位置误差（locatization loss， loc）与置信度误差（confidence loss, conf）的加权和：
( x , c , l , g ) = 1 N ( L c o n f ( x , c ) + α L l o c ( x , l , g ) ) (x, c, l, g) = \frac{1}{N}(L_{conf}(x,c) + \alpha L_{loc}(x,l,g)) (x,c,l,g)=N1(Lconf(x,c)+αLloc(x,l,g))
其中 N 是先验框的正样本数量。这里 x i j p ∈ { 1 , 0 } x^p_{ij}\in \{ 1,0 \} xijp∈{1,0} 为一个指示参数，当 x i j p = 1 x^p_{ij}= 1 xijp=1 时表示第 i 个先验框与第 j 个ground truth匹配，并且ground truth的类别为 p 。 c 为类别置信度预测值。 l 为先验框的所对应边界框的位置预测值，而 g 是ground truth的位置参数。对于位置误差，其采用Smooth L1 loss，定义如下：
由于 x i j p x^p_{ij} xijp 的存在，所以位置误差仅针对正样本进行计算。值得注意的是，要先对ground truth的 g 进行编码得到 g ^ \hat{g} g^ ，因为预测值 l 也是编码值，若设置variance_encoded_in_target=True，编码时要加上variance：
g ^ j c x = ( g j c x − d i c x ) / d i w / v a r i a n c e [ 0 ] , g ^ j c y = ( g j c y − d i c y ) / d i h / v a r i a n c e [ 1 ] \hat{g}^{cx}_j = (g^{cx}_j - d^{cx}_i)/d^w_i/variance[0], \hat{g}^{cy}_j = (g^{cy}_j - d^{cy}_i)/d^h_i/variance[1] g^jcx=(gjcx−dicx)/diw/variance[0],g^jcy=(gjcy−dicy)/dih/variance[1]
g ^ j w = log ( g j w / d i w ) / v a r i a n c e [ 2 ] , g ^ j h = log ( g j h / d i h ) / v a r i a n c e [ 3 ] \hat{g}^{w}_j = \log(g^{w}_j/d^w_i)/variance[2], \space \hat{g}^{h}_j = \log(g^{h}_j/d^h_i)/variance[3] g^jw=log(gjw/diw)/variance[2], g^jh=log(gjh/dih)/variance[3]
对于置信度误差，其采用softmax loss:
权重系数 α \alpha α 通过交叉验证设置为1。
2.4.3 数据扩增
采用数据扩增（Data Augmentation）可以提升SSD的性能，主要采用的技术有水平翻转（horizontal flip），随机裁剪加颜色扭曲（random crop & color distortion），随机采集块域（Randomly sample a patch）（获取小目标训练样本），如下图所示：
2.5 SSD预测过程
预测过程比较简单，对于每个预测框，首先根据类别置信度确定其类别（置信度最大者）与置信度值，并过滤掉属于背景的预测框。然后根据置信度阈值（如0.5）过滤掉阈值较低的预测框。对于留下的预测框进行解码，根据先验框得到其真实的位置参数（解码后一般还需要做clip，防止预测框位置超出图片）。解码之后，一般需要根据置信度进行降序排列，然后仅保留top-k（如400）个预测框。最后就是进行NMS算法，过滤掉那些重叠度较大的预测框。最后剩余的预测框就是检测结果了。
2.6 SSD总结
SSD结合了YOLO中的回归思想和Faster R-CNN中的anchor机制，使用全图各个位置的多尺度区域特征进行回归，既保持了YOLO速度快的特性，也保证了窗口预测的跟Faster R-CNN一样比较精准。SSD在VOC2007上mAP可以达到72.1%，速度在GPU上达到58帧每秒。
3. Seglink
3.1 网络结构
- 主干网络是沿用了SSD网络结构，并修改了最后的Pooling层，将其改为卷积层。具体来说：首先用VGG16作为base net（论文中用了backbone这个词，很好），并将VGG16的最后两个全连接层改成卷积层（6-7层）。接着增加一些额外的卷积层（8-11层），用于提取更深的特征，最后的修改SSD的Pooling层，将其改为卷积层。
- 提取不同层的feature map，文中提取了conv4_3, conv7, conv8_2, conv9_2, conv10_2, conv11。这里其实操作还是和SSD网络一样。
- 对不同层的feature map使用３＊３的卷积核产生最终的输出(包括segment和link)，不同特征层输出的维度是不一样的，因为除了conv4_3层外，其它层存在跨层的link。这里segment是text的带方向bbox信息(它可能是个单词，也可能是几个字符，总之是文本行的部分)，link是不同bbox的连接信息(文章将其也增加到网络中自动学习)。
- 然后通过融合规则，将segment的box信息和link信息进行融合，得到最终的文本行。
3.2 Segment检测
Segment也是box，表达形式如下：
它相比SSD来说增加了角度信息。
关于default box的个数，本文每个feature map的每个位置只采用了一个aspect ratio=1的default box，而SSD中是一系列(1, 2, 3, 1/2, 1/3)，这也是Seglink速度很快的原因。关于default box的scale size，本文的是根据当前层的感受野来进行设置scale size，而SSD是通过人工设定的，具体的设置公式如下：
其中分子分母分别表示输入图像的宽度和当前feature map的宽度。
Segment计算公式：
总结来说，对于segments的预测包括：２个segment score和５个geometric offsets为 ( x s , y s , w s , h s , θ s ) (x_{s},y_{s},w_s,h_s,\theta_s) (xs,ys,ws,hs,θs)。
3.3 Link检测
link主要是用于连接上述segment，对于link detection部分，主要分成层内link检测(within-layer)和跨层link检测(cross-layer)。
上面的是层内Link,连接的是同层的8个邻域；下面的是跨层Link，连接连续两层的Link。
3.3.1 层内link检测
在同一个feature map层，由于文中对feature map中每个位置只预测一个segment，所以对于层内的link，我们只需要考虑当前segment的８邻域：即判断每个segment与它周围的８连通邻域的segment的连接情况，每个link有两个分数，一个用是正分，一个是负分，正分用来表示二者是否属于同一个单词；负分表示二者是否属于不同单词，应该断开连接。所以，每个segment的link应该是8*2=16维的向量。具体公式如下：
3.3.2 跨层link检测
由于采用不同feature map，所以segment可能会被不同的feature map检测到，为了解决这种重复检测的冗余问题，文中提出了cross-layer Link。它主要是用于连续两层(注意这里前一层是后一层的邻居，但后一层不是前一层的邻居)，所以只需要对conv7, conv8_2, conv9_2, conv10_2, conv11进行cross-layer link检测。
论文中说这些feature map中是前一层特征图的size是后一层的特征图的size的两倍(因为有pooling或者是步长为２的卷积层)，这些特性需要保证feature map的size是偶数，所以输入图像的宽和高必须是128的倍数。
对于cross-layer link，对于feature map的每个位置需要预测2*4=8,这里４表示的是与上一层的４个邻域，就是对应前一层的感受野，具体公式如下：
总结来说：对于conv4_3层，其link输出的维度为2x8=16；对于conv7, conv8_2, conv9_2, conv10_2, conv11其输出的link维度为2x8+2x4=24。
3.3.3 网络预测输出的维度
上图中２表示是或不是字的二类分类分数，５表示位置信息x, y, w, h, θ，16表示８个同层的neighbor的连接或者不连接２种情况，８表示前一层的4个neighbor的连接与不连接情况。
对于conv4_3：其预测输出维度为： 2 + 5 + 2 × 8 = 23 2+5+2\times8=23 2+5+2×8=23 ，因为该层没有cross-layer link
对于conv7, conv8_2, conv9_2, conv10_2, conv11，其预测输出维度为： 2 + 5 + 2 × 8 + 2 × 4 = 31 2+5+2\times8+2\times4=31 2+5+2×8+2×4=31。
3.4 Combining Segments with Links算法
- 首先通过人工设定的 α 和β(这两个值是采用网格搜索找到最优)，对网络预测的segments和links进行滤除
- 将每个segment看成node，link看成edge，建立图模型，再用DFS(depth first search)找到连通分量，每个连通分量包含一系列segments(用B表示)，用下面的Alg1进行融合输出单词的box
- Alg1算法其实就是一个平均的过程。先计算所有的segment的平均θ作为文本行的θ，再根据已求的θ为已知条件，求出最可能过每个segment的直线（线段，这里线段就是以segment最左和最右的为边界），以线段中点作为word的中心点（x,y），最后用线段长度加上首尾segment的平均宽度作为word的宽度，用所有segment的高度的平均作为word的高度。
3.5 训练
3.5.1 Ground Truth
Seglink的Ground Truth包括defaut box的label、offset、层内Link和跨层Link的label。
- 那么如何确定default box为正样本还是负样本呢？
1)当前图像只有一个文本行，这时候判断当前default box为正样本必须同时满足:
a)default box的中心在当前文本行内；
b)default box的size与文本行的高度比必须满足： m a x ( a l h , h a l ) ≤ 1.5 max(\frac{a_l}{h},\frac{h}{a_l})\leq1.5 max(hal,alh)≤1.5 。
若不满足上述两个条件，则当前default box为负样本；
2)对于当前图像包含多个文本行，若不满足前面的两个条件，则default box为负样本，否则default box为正样本，并与 a l h \frac{a_l}{h} hal 最小的文本行匹配。 - 那么如何确定offset？
首先要知道offset只对正样本有效，也就是说负样本不需要计算。其具体做法是向将文本行的bbox与default box进行那个水平对齐(就是将文本行的bbox进行旋转，这里旋转逆时针的,之所以说是逆时针方向，是因为当前的角度为负，具体结合图像来理解)；然后对文本行box进行裁剪，保留default box与文本行相交的部分(注意，这里垂直方向需要延伸，简单地说裁剪后的宽度保持default box与文本行box相交的部分，高度要保持文本行的高度)；最后再绕default box的中心点进行顺时针旋转，即转回到原来的角度，这样就会得到一个裁剪后的带角度的bbox，它就是groundtruth segment．这样做的目的是当前网络检测是segment，而非整个文本行．网络要学习的偏移实际上就是default box相对于裁剪后的bbox的偏移，具体的细节流程图如下：
- 如何确定层内link和跨层link的label是positive还是negative?
要想使link的label为positive，必须满足：
1)两个default boxes connect it；
2)两个default box必须属于统一文本行。
3.5.2 损失函数
网络的损失函数包括三部分：segment classification损失(softmax)，offsets regression损失(L1 regression)，link classification损失(softmax)，具体公式如下：
其中控制全中因子λ1 和 λ2设置为１。
3.5.3 数据增广
与SSD做法一致。
3.5.4 结果
4. 总结
- 创新点：
Seglink可以检测多方向文本（这是相对于SSD的一个创新点，因为在Segment中加入了角度信息）；
Seglink将Link也放入了神经网络中学习，而不是像常规方法一样在后处理步骤中将多个bounding box通过合并算法合并，这也是Seglink的第二个创新点；
Seglink不涉及到感受野的问题，所以可以处理长文本；而且由于link的特性，Seglink可以很好地处理弯曲文本（看了这么多模型只有Seglink可以处理弯曲文本！！！）
- 局限性：
α和β这两个阈值设置需要人工，虽然用了网格搜索求得，网格搜索是一种暴力的模型超参数优化技术，这里采用0.1step进行超参数穷举搜索；
不能检测间隔很大（字很大）的文本行；
5. 参考资料
1.《Detecting Oriented Text in Natural Images by Linking Segments》
2.https://zhuanlan.zhihu.com/p/33544892
3.SSD的tensorflow实现
4.https://blog.csdn.net/v_JULY_v/article/details/80170182
5.https://www.cnblogs.com/lillylin/p/6596731.html
6.https://zhuanlan.zhihu.com/p/37781277
7.Seglink的tensorflow实现