深度学习-目标检测

目标检测模型总结

内容来自 Object detection: an overview in the age of Deep Learning 以及 cs231n 。

第一张图为语义分割问题，只需要对每个像素点进行分类；第二张图为单目标检测问题，需要框出物体的位置并对其分类；第三张图为多目标检测问题，需要框出所有的物体，并对所有物体单独分类；第四张图是实例分割问题，需要标记出所有物体及其类别。这篇文章介绍后三种问题相关的模型。

单目标检测

可以当作两个子问题进行训练，即分类 + 物体定位。将物体定位看做回归问题，预测方框的四个值，(x, y, w, h) 或 (x, y, x’, y’) 。整体流程是：使用分类卷积网对图片分类，并利用全连接后的高维特征预测方框的四个值。将回归以及分类的损失函数相加，得到总的损失函数，训练整个网络。

卷积网回归预测的其他应用：人体姿势检测。定义多个点 (x, y) 坐标，分别对应人体的不同关节。

多目标检测

相对于单目标检测复杂得多，因为目标数目不确定。

1. 滑窗：确定一个窗口大小（即 CNN 输入），在原图上多次移动，得到多个选区，利用 CNN 对每个选区分类。选区很多，相对应的 CNN 的计算开销也很大。
2. 建议选区 (Region Proposals) ：能够快速的提取出可能的选区。常用的是 Selective Search 解读。

R-CNN

Regions with CNN features

大概分为以下几步：

1. 利用 Region Proposals 提取出选区 ( RoI, Regions of Interest ) ，并将该选区伸缩至卷积网输入的尺寸
2. 将每个伸缩后的选区输入卷积网，提取出特征
3. 将提取的特征输入 SVM 模型进行分类，利用线性回归来逼近选区

缺点：

1. 分别需要 fine-tune 网络，训练 SVM 以及 LR
2. 训练时间长，并且需要存储中间结果
3. 预测时间长

Fast R-CNN

步骤：

1. 先将整张图片输入卷积网，得到特征映射 ( conv5 的输出)
2. 还是利用 Region proposals 得到选区
3. 对于每个选区，利用 RoI Pooling 作用于上述特征，并输入到后续的分类和回归网络

优点：运行速度更快，实现端到端的训练。

Fast RCNN方法解决了RCNN方法三个问题：

问题一：测试时速度慢
RCNN一张图像内候选框之间大量重叠，提取特征操作冗余。
本文将整张图像归一化后直接送入深度网络。在邻接时，才加入候选框信息，在末尾的少数几层处理每个候选框。

问题二：训练时速度慢
原因同上。
在训练时，本文先将一张图像送入网络，紧接着送入从这幅图像上提取出的候选区域。这些候选区域的前几层特征不需要再重复计算。

问题三：训练所需空间大
RCNN中独立的分类器和回归器需要大量特征作为训练样本。
本文把类别判断和位置精调统一用深度网络实现，不再需要额外存储。

Link

缺点：仍然依赖 Region proposals ，预测麻烦。

Faster R-CNN

让 CNN 来提取选区，插入了 Region Proposal Network (RPN) ，用于从特征中预测选区。

总共有四个损失：

1. RPN 分类是否有目标 根据 IOU 判断
2. RPN 框坐标
3. 最后的目标分类损失
4. 最后的框坐标

YOLO

You Only Look Once ，知乎 知乎2

YOLO核心思想：从R-CNN到Fast R-CNN一直采用的思路是proposal+分类 （proposal 提供位置信息， 分类提供类别信息）精度已经很高，但是速度还不行。 YOLO提供了另一种更为直接的思路： 直接在输出层回归bounding box的位置和bounding box所属的类别(整张图作为网络的输入，把 Object Detection 的问题转化成一个 Regression 问题)。

YOLO首先将图像分为S×S的格子（grid cell）。如果一个目标的中心落入格子，该格子就负责检测该目标。每一个格子（grid cell）预测bounding boxes（B）和该boxes的置信值（confidence score）。置信值代表box包含一个目标的置信度。然后，我们定义置信值为Pr(Object) * IOU 。如果没有目标，置信值为零。另外，我们希望预测的置信值和ground truth的intersection over union (IOU)相同。

SSD

Single Shot MultiBox Detector ，知乎

SSD paper详解，CSDN

综合了 Faster R-CNN 的 anchor box 和 YOLO 的单个神经网络检测思路。SSD 关键点有两个：模型结构和训练方法。模型结构包括：多尺度特征图检测网络结构和anchor boxes生成；训练方法包括：ground truth预处理和损失函数。

SSD和Yolo一样都是采用一个CNN网络来进行检测，但是却采用了多尺度的特征图，其基本架构如图3所示。下面将SSD核心设计理念总结为以下三点：

（1）采用多尺度特征图用于检测

所谓多尺度采用大小不同的特征图，CNN网络一般前面的特征图比较大，后面会逐渐采用stride=2的卷积或者pool来降低特征图大小，一个比较大的特征图和一个比较小的特征图，它们都用来做检测。这样做的好处是比较大的特征图来用来检测相对较小的目标，而小的特征图负责检测大目标.

（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 ∗ n ∗ p 的特征图，只需要采用 3∗3∗p 3 ∗ 3 ∗ p 这样比较小的卷积核得到检测值。

（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，

Link

实例分割

Mask R-CNN

扩展原有的 Faster R-CNN ，添加一个分支，在目标检测的基础上对目标进行像素级的预测。还可以很方便的应用到其他领域，如人体姿势检测等。

从上面可以知道，mask rcnn主要的贡献在于如下：

1. 强化的基础网络
   通过 ResNeXt-101+FPN 用作特征提取网络，达到 state-of-the-art 的效果。
2. ROIAlign 解决Misalignment 的问题
3. Loss Function

ROIPool首先将浮点数值的ROI量化成离散颗粒的特征图，然后将量化的ROI分成几个空间的小块（Spatial Bins），最后对每个小块进行Max Pooling操作生成最后的结果。这些量化引入了ROI与提取到的特征的不对准问题。作者提出ROIAlign层来解决这个问题，并且将提取到的特征与输入对齐。作者使用双线性插值（Bilinear Interpolation）在每个ROI块中4个采样位置上计算输入特征的精确值，并将结果聚合（使用Max或者Average）。


作者对于每个采样的ROI定义一个多任务损失函数L=Lcls+Lbox+Lmask，前两项不过多介绍。掩模分支对于每个ROI会有一个Km2维度的输出，它编码了K个分辨率为m×m的二值掩模，分别对应着KK个类别。因此作者利用了A Per-pixel Sigmoid，并且定义为平均二值交叉熵损失（The Average Binary Cross-entropy Loss）。对于一个属于第K个类别的ROI，仅仅考虑第K个Mask（其他的掩模输入不会贡献到损失函数中）。这样的定义会允许对每个类别都会生成掩模，并且不会存在类间竞争。