迅速了解目標檢測的基本方法并嘗試理解每個模型的技術(shù)細節(jié)

本文將討論目標檢測的基本方法（窮盡搜索、R-CNN、Fast R-CNN和Faster R-CNN），并嘗試理解每個模型的技術(shù)細節(jié)。為了讓經(jīng)驗水平各不相同的讀者都能夠理解，文章不會使用任何公式來進行講解。

開啟目標檢測的第一步

這是只鳥還是架飛機？—— 圖像分類

目標檢測（或識別）基于圖像分類。圖像分類是通過上圖所示的像素網(wǎng)格，將圖像分類為一個類類別。目標識別是對圖像中的對象進行識別和分類的過程。

為了使模型能夠?qū)W習圖像中對象的類別和位置，目標必須是一個五維標簽（類別，x， y，寬度，長度）。

對象檢測方法的內(nèi)部工作

一種費機器（奢侈計算）的方法：窮舉搜索

最簡單的目標檢測方法是對圖像的各個子部分使用圖像分類器，讓我們來逐個考慮：

· 首先，選擇想要執(zhí)行目標檢測的圖像。

· 然后將該圖像分割成不同的部分，或者說“區(qū)域”。

· 把每個區(qū)域看作一個單獨的圖像。

· 使用經(jīng)典的圖像分類器對每幅圖像進行分類。

· 最后，將檢測到目標的區(qū)域的所有圖像與預測標簽結(jié)合。

這種方法存在一個問題，對象可能具有的不同縱橫比和空間位置，這可能導致對大量區(qū)域進行不必要的昂貴計算。它在計算時間方面存在太大的瓶頸，從而無法用于解決實際問題。

區(qū)域提議方法和選擇性搜索

最近有種方法是將問題分解為兩個任務(wù)：首先檢測感興趣的區(qū)域，然后進行圖像分類以確定每個對象的類別。

第一步通常是使用區(qū)域提議方法。這些方法輸出可能包含感興趣對象的邊界框。如果在一個區(qū)域提議中正確地檢測到目標對象，那么分類器也應(yīng)該檢測到了它。這就是為什么對這些方法而言，快速和高回應(yīng)率非常重要。重要的是這兩個方法不僅要是快速的，還要有著很高的回應(yīng)率。

這兩個方法還使用了一種聰明的體系結(jié)構(gòu)，其中目標檢測和分類任務(wù)的圖像預處理部分相同，從而使其比簡單地連接兩個算法更快。選擇性搜索是最常用的區(qū)域提議方法之一。

它的第一步是應(yīng)用圖像分割。

從圖像分割輸出中，選擇性搜索將依次進行：

· 從分割部分創(chuàng)建邊界框，然后將其添加到區(qū)域建議列表中。

· 根據(jù)四種相似度：顏色，紋理，大小和形狀，將幾個相鄰的小片段合并為較大的片段。

· 返回到第一步，直到該部分覆蓋了整個圖像。

在了解了選擇性搜索的工作原理后，接著看一些使用該法最常見的目標檢測算法。

第一目標檢測算法：R-CNN

Ross Girshick等人提出了區(qū)域CNN（R-CNN），允許選擇性搜索與CNN結(jié)合使用。實際上，對于每個區(qū)域方案（如本文中的2000），一個正向傳播會通過CNN生成一個輸出向量。這個向量將被輸入到one-vs-all分類器中。每個類別一個分類器，例如一個分類器設(shè)置為如果圖像是狗，則標簽=1，否則為0，另一個分類器設(shè)置為如果圖像是貓，標簽= 1，否則為0，以此類推。R-CNN使用的分類算法是SVM。

但如何將該地區(qū)標記為提議呢？當然，如果該區(qū)域完全匹配真值，可以將其標為1，如果給定的對象根本不存在，這個對象可以被標為0。

如果圖像中存在對象的一部分怎么辦？應(yīng)該把這個區(qū)域標記為0還是1？為了確保訓練分類器的區(qū)域是在預測一幅圖像時可以實際獲得的區(qū)域（不僅僅是那些完美匹配的區(qū)域），來看看選擇性搜索和真值預測的框的并集（IoU）。

IoU是一個度量，用預測的框和真值框的重疊面積除以它們的并集面積來表示。它獎勵成功的像素檢測，懲罰誤報，以防止算法選擇整個圖像。

回到R-CNN方法，如果IoU低于給定的閾值（0.3），那么相對應(yīng)的標簽將是0。

在對所有區(qū)域建議運行分類器后，R-CNN提出使用一個特定類的邊界框（bbox）回歸量來優(yōu)化邊界框。bbox回歸量可以微調(diào)邊界框的邊界位置。例如，如果選擇性搜索已經(jīng)檢測到一只狗，但只選擇了它的一半，而意識到狗有四條腿的bbox回歸量，將確保狗的整個身體被選中。

也多虧了新的bbox回歸預測，我們可以使用非最大抑制（NMS）舍棄重疊建議。這里的想法是識別并刪除相同對象的重疊框。NMS根據(jù)分類分數(shù)對每個類的建議進行排序，并計算具有最高概率分數(shù)的預測框與所有其他預測框（于同一類）的IoU。如果IoU高于給定的閾值（例如0.5），它就會放棄這些建議。然后對下一個最佳概率重復這一步。

綜上所述，R-CNN遵循以下步驟：

· 根據(jù)選擇性搜索創(chuàng)建區(qū)域建議（即，對圖像中可能包含對象的部分進行預測）。

· 將這些地區(qū)帶入到pre-trained模型，然后運用支持向量機分類子圖像。通過預先訓練的模型運行這些區(qū)域，然后通過SVM（支持向量機）對子圖像進行分類。

· 通過邊界框預測來運行正向預測，從而獲得更好的邊界框精度。

· 在預測過程中使用NMS去除重疊的建議。

不過，R-CNN也有一些問題：

· 該方法仍然需要分類所有地區(qū)建議，可能導致達到計算瓶頸——不可能將其用于實時用例。

· 在選擇性搜索階段不會學習，可能導致針對某些類型的數(shù)據(jù)集會提出糟糕的區(qū)域建議。

小小的改進：Fast R-CNN（快速R-CNN）

Fast R-CNN，顧名思義，比R-CNN快。它基于R-CNN，但有兩點不同：

· 不再向CNN提供對每個地區(qū)的提議，通過對CNN提供整幅圖像來生成一個卷積特性映射（使用一個過濾器將矢量的像素轉(zhuǎn)換成另一個矢量，能得到一個卷積特性映射）。接下來，建議區(qū)域被識別與選擇性搜索，然后利用區(qū)域興趣池（RoI pooling）層將它們重塑成固定大小，從而能夠作為全連接層的輸入。

· Fast-RCNN使用更快，精度更高的softmax層而不是SVM來進行區(qū)域建議分類。

以下是該網(wǎng)絡(luò)的架構(gòu)：

如下所示，F(xiàn)ast R-CNN在訓練和測試方面比R-CNN要快得多。但是，受選擇性搜索方法的影響，該方法仍然存在瓶頸。

Faster R-CNN（更快的R-CNN）

雖然Fast R-CNN比R-CNN快得多，但其瓶頸仍然是選擇性搜索，因為它非常耗時。因此，任少卿等人設(shè)計了更快R-CNN來解決這個問題，并提出用一個非常小的卷積網(wǎng)絡(luò)區(qū)域提議網(wǎng)Region Proposal network（RPN）代替選擇性搜索來尋找感興趣的區(qū)域。

簡而言之，RPN是一個直接尋找區(qū)域建議的小型網(wǎng)絡(luò)。一種簡單的方法是創(chuàng)建一個深度學習模型，輸出x_min、y_min、x_max和x_max來獲得一個區(qū)域建議的邊界框（如果我們想要2000個區(qū)域，那么就需要8000個輸出）。然而，有兩個基本問題：

· 圖像的大小和比例可能各不相同，所以很難創(chuàng)建一個能正確地預測原始坐標的模型。

· 在預測中有一些坐標排序約束（x_min 《 x_max， y_min 《 y_max）。

為了克服這個問題，我們將使用錨：錨是在圖像上預設(shè)好不同比例和比例的框。（錨點是預定義的框，它們具有不同的比例，并在整個圖像上縮放。）

例如，對于給定的中心點，通常從三組大?。ɡ?，64px， 128px， 256px）和三種不同的寬高比（1/1，1/2，2/1）開始。在本例中，對于圖像的給定像素（方框的中心），最終會有9個不同的方框。

那么一張圖片總共有多少個錨點呢？

我們不打算在原始圖像上創(chuàng)建錨點，而是在最后一個卷積層的輸出特征圖上創(chuàng)建錨點，這一點非常重要。例如，對于一個1000*600的輸入圖像，由于每個像素有一個錨點，所以有1000 *600*9=5400000個錨點，這是錯誤的。確實，因為要在特征圖譜上創(chuàng)建它們，所以需要考慮子采樣比率，即由于卷積層的大步移動，輸入和輸出維度之間的因子減少。

在示例中，如果我們將這個比率設(shè)為16（像在VGG16中那樣），那么特征圖譜的每個空間位置將有9個錨，因此“只有”大約20000個錨（5400000/ 16^2）。這意味著輸出特征中的兩個連續(xù)像素對應(yīng)于輸入圖像中相距16像素的兩個點。注意，這個下降采樣比率是Faster R-CNN的一個可調(diào)參數(shù)。

現(xiàn)在剩下的問題是如何從那20000個錨到2000個區(qū)域建議（與之前的區(qū)域建議數(shù)量相同），這是RPN的目標。

如何訓練區(qū)域建議網(wǎng)絡(luò)

要實現(xiàn)這一點，需要RPN告知框包含的是對象還是背景，以及對象的精確坐標。輸出預測有作為背景的概率，作為前景的概率，以及增量Dx， Dy， Dw， Dh，它們是錨點和最終建議之間的差異。

1.第一，我們將刪除跨邊界錨（即因為圖像邊界而被減去的錨點），這給我們留下了約6000張圖像。

2.如果存在以下兩個條件中的任一，我們需要標簽錨為正：

· 在所有錨中，該錨具有最高的IoU，并帶有真值框。

· 錨點至少有0.7的IoU，并帶有真值框。

3.如果錨的IoU在所有真值框中小于0.3，需要標簽其為負。

4.舍棄所有剩下的錨。

5.訓練二進制分類和邊界框回歸調(diào)整。

最后，關(guān)于實施的幾點說明：

· 希望正錨和負錨的數(shù)量在小批處理中能夠平衡。

· 因為想盡量減少損失而使用了多任務(wù)損失，這是有意義的——損失有錯誤預測前景或背景的錯誤，以及方框的準確性的錯誤。

· 使用預先訓練好的模型中的權(quán)值來初始化卷積層。

如何使用區(qū)域建議網(wǎng)絡(luò)

· 所有錨（20000）計入后得到新的邊界框和成為所有邊界框的前景（即成為對象）的概率。

· 使用non-maximum抑制。

· 建議選擇：最后，僅保留按分數(shù)排序的前N個建議（當N=2000，回到2000個區(qū)域建議）。

像之前的方法一樣，最終獲得了2000個方案。盡管看起來更復雜，這個預測步驟比以前的方法更快更準確。

下一步是使用RPN代替選擇性搜索，創(chuàng)建一個與Fast R-CNN相似的模型（即RoI pooling和一個分類器+bbox回歸器）。然而，不像之前那樣，把這2000個建議進行裁剪，然后通過一個預先訓練好的基礎(chǔ)網(wǎng)絡(luò)進行傳遞。而是重用現(xiàn)有的卷積特征圖。實際上，使用RPN作為提案生成器的一個好處是在RPN和主檢測器網(wǎng)絡(luò)之間共享權(quán)值和CNN。

· 使用預先訓練好的網(wǎng)絡(luò)對RPN進行訓練，然后進行微調(diào)。

· 使用預先訓練好的網(wǎng)絡(luò)對檢測器網(wǎng)絡(luò)進行訓練，然后進行微調(diào)。使用來自RPN的建議區(qū)域。

· 使用來自第二個模型的權(quán)重對RPN進行初始化，然后進行微調(diào)——這將是最終的RPN模型）。

· 最后，對檢測器網(wǎng)絡(luò)進行微調(diào)（RPN權(quán)值固定）。CNN的特色圖將在兩個網(wǎng)絡(luò)之間共享。

綜上所述，F(xiàn)aster R-CNN比之前的方法更準確，比Fast-R-CNN快10倍左右，這是一個很大的進步，也是實時評分的開始。

即便如此，區(qū)域建議檢測模型對于嵌入式系統(tǒng)來說還是不夠，因為這些模型太笨重，而且對于大多數(shù)實時評分案例來說速度也不夠快——最后一例是大約每秒檢測5張圖像。

編輯：jq