论文笔记 《Deep Neural Networks for Object Detection》

注:下面的编号按照文章的编号来,所以会出现不连续的情况。

3 DNN-based Detector


如上图,将图片分成多个网格,前景趋向1,背景趋向0。如果将每个网格看成是一种superpixel,那么其实网络做的是分割的问题。当我们得到了网络的分割后,前景像素其实就是物体的检测位置。
另外,图上标注使用的是DBN,而事实上文章使用的是AlexNet,这里应该是原作者笔误。

4 Detection as DNN Regression

网络的loss function如下:

也就是每个像素看成独立的二范距离,并且加了一个正则约束项Diag(m)+λI,目的是为了让网络趋向于输出前景(原因是一般前景像素占的都是网络的一小部分,所以如果没有正则项,那么网络会偏向于输出一个全为0的平凡解)
其他细节,原图分辨率是225×225,粗网格的分辨率是24×24

5 Precise Object Localization via DNN-generated Masks

上述方法有三个缺点:

  1. 用唯一的mask,难以区分识别出来的前景是单个物体还是粘连的多个物体
  2. mask分辨率远低于原图分辨率,mask的一个像素对应的是原图16*16的像素,带来定位不准确
  3. 难以识别小物体,因为小物体激活的神经元很少,所以难以让对应的部分监测为前景像素
    作者用了对应的三个办法来解决上述三个问题:

    5.1 Multiple Masks for Robust Localization

    作者定义了五种mask={full,bottom,up,left,right}:

    作用:full mask无法分开物体,但如果考虑用left的mask,就能够分开两个物体了。——如果是两个孤立的物体,那么在上述五个mask中至少应该有两个是分开的。
    注意,每种mask需要训练一个单独的DNN

    上面公式想要说明的是,mask中每个网格的取值不是严格的两极0和1,而是一个0到1之间的数字,直观的物理含义就是该网格中有多少比例是前景像素

    5.2 Object Localization from DNN Output

    这里说明是如何从分割结果得到检测结果。

    公式(2)大概意思是,T(i,j)表示在位置(i,j)上DNN预测的结果(0或者1),bb表示预测的bbox,根据这两者的overlap的大小来赋予赋予一个得分。
    公式(3)大概意思是,计算上面5中mask的分数,然后加起来。
    然后对于公式(3)中bb如何得到,用的是滑动窗口技术+聚类:

    最后还另外用到了AlexNet的classification网络来做进一步的验证:

    5.3 Multi-scale Refinement of DNN Localizer

    两步走:(1)用滑动窗口(2)用一个循环refine
  4. 用滑动窗口:3个scale,可以看成用三个尺度分别是1×,2×,4×大小的窗口去扫描图片,步长控制在让每个窗口的overlap少于20%,总共大概需要40个滑动窗口(作者强调说这不同于滑动窗口,因为它只需要40个窗口已经很少了,- -个人觉得这就是滑动窗口没错)。最后对于每个scale的多个窗口得到的mask,取maximum(也就是,趋向于取前景像素)。最后每个scale得到5个detection结果,共有15个detection结果。
  5. 循环refine:对于上面15个detection的结果,将bbox扩大1.2倍后从新放到网络中做测试。


最后,整个测试的流程如上图所示,注意到,本文给每个类别单独训练了一个DNN

6 DNN Training

  • 对于每个类别,都训练了两个DNN,一个用于回归上面的mask的定位模型,另外用于5.2中的验证步骤的分类模型(二分类)。
  • Data Augment:对于每个样本,根据上文滑动窗口设置的size,都crop出数千个样本,最后每类生成了10M量级的样本,60%是负样本,40%是正样本。
  • 先训练分类模型,再用分类模型去pretrain定位模型,然后fine-grained,这里fine-grained是全网络fine-grained(包括卷积层和全连接层)。
  • 最后,网络的学习率用到ADAGRAD的方法,能够自动估计合适的学习率。

7 Experiments
这里开始是实验结果,就是各种state-of-the-art。具体不表。附上效果图:

阅读更多
想对作者说点什么?

博主推荐

换一批

没有更多推荐了,返回首页