计算机视觉那些事儿（1）：基本任务

本文主要介绍深度学习在计算机视觉领域（Computer vision）基本任务中的应用，包括分类、检测、分割（语义与实体)。

目录

引言

分类（Classification）

目标检测（Object Detection）

Two-stage算法

One-stage算法

语义分割(Semantic Segmentation)

实体分割(Instance Segmentation)

---

引言

大约在5亿年以前，处于寒武纪的地球上的生物开始进化出了眼睛；从此，地球进入了生物大爆炸时代。有学者认为，这是因为眼睛的出现，地球上的生物为了躲避天敌的捕猎，因此必须不断进化。

自从人工智能一词首次在1956年提出以后，就有学者开始研究计算机视觉。他们希望计算机能够像人类一样，通过传感器（那时主要指照相机）来描述所看到的信息。如果把计算机比作人的大脑的话，那么计算机视觉就是计算机的眼睛，计算机通过计算机视觉来感知世界。

---

分类（Classification）

分类就是给定一张图片，判断图片所属类别，这里主要指图片中的目标所属类别。作为计算机视觉界的奥林匹克ImageNet包含着超过140万张图片，其所含目标为1000种。

---

图片分类经典网络

在描述神经网络时，通常用conv代表卷积层、bn代表批归一层、pool代表池化层。最常见的网络结构顺序是：conv -> bn -> relu -> pool，其中卷积层用于提取特征、池化层用于下采样。随着网络深度的进行，图像的空间大小将越来越小，而通道数会越来越大。这里介绍图片分类中的几种经典网络：

LeNet-5： 由Facebook人工智能研究院院长Yann LeCun所发明。 网络基本架构如图所示。当时，LeNet-5被成功用于ATM以对支票中的手写数字进行识别。

AlexNet：ILSVRC 2012年的冠军，由Hinton和其学生Alex Krizhevsky所发明。网络基本如图所示。AlexNet有着和LeNet-5相似网络结构，但网络深度更深、参数也更多。AlexNet的关键点是：(1). 使用了ReLU激活函数，使之有更好的梯度特性、训练更快。(2). 使用了dropout。(3). 使用数据增强技术，使用GPU加速训练。AlexNet的意义在于它以高出第二名10%的性能取得了当年ILSVRC竞赛的冠军，称为计算机视觉以及人工智能的里程碑。

VGG-16/VGG-19 ：VGG网络结构如图所示。VGG网络的关键点是：(1). 结构简单，只有3×3卷积和2×2池化两种网络，并且重复堆叠相同的模块组合。卷积层不改变空间大小，每经过一次池化层，空间大小减半。(2). 参数量大，而且大部分的参数集中在全连接层中。(3). 合适的网络初始化和使用批量归一层。

GoogLeNet：GoogLeNet试图回答在设计网络时究竟应该选多大尺寸的卷积、或者应该选多大的池化层。其提出了Inception模块，网络结构如图所示。GoogLeNet的关键点是：(1). 多分支分别处理，并级联结果。(2). 为了降低计算量，用了1×1卷积降维。GoogLeNet使用了全局平均池化替代全连接层，使网络参数大幅减少。

ResNet：ILSVRC 2015年的冠军。ResNet旨在解决网络加深后训练难度增大的现象。其提出了residual模块，包含两个3×3卷积和一个跳跃连接(左图)。跳跃连接可以有效缓解反向传播时由于深度过深导致的梯度消失现象，这使得网络加深之后性能不会变差。跳跃连接是深度学习又一重要思想。ResNet的关键点是：(1). 使用跳跃连接，使训练深层网络更容易，并且重复堆叠相同的模块组合。(2). ResNet大量使用了批量归一层。(3). 对于很深的网络(超过50层)，ResNet使用了更高效的瓶颈(bottleneck)结构(右图)。ResNet在ImageNet上取得了超过人类的准确率。

---

目标检测（Object Detection）

识别出目标所属类别后，如何获取目标在图片中的位置信息呢？这就需要进行目标检测了。目前目标检测算法主要分为两类：one-stage算法和two-stage算法，其区别是two-stage算法是先生成候选区域，然后再进一步选择目标位置。总的来说，two-stage算法精度更高，但速度较慢，而one-stage算法精度相对较低，但速度比two-stage快。

Two-stage算法

RCNN：网络如图所示：首先生成2k个候选区域，候选区域生成算法通常基于图像的颜色、纹理、面积、位置等合并相似的像素，最终得到一系列的候选矩阵区域。相比于用滑动窗把图像所有区域都滑动一遍，基于候选区域的方法十分高效。另一方面，这些候选区域生成算法的查准率(precision)一般，但查全率(recall)通常比较高，这使得我们不容易遗漏图像中的目标。

之后，对每个候选区域进行全连接网络连接，进行目标定位，即两分支(分类+回归)输出。其中，我们仍然需要回归分支的原因是，候选区域只是对包含目标区域的一个粗略的估计，我们需要有监督地利用回归分支得到更精确的包围盒预测结果。R-CNN的重要性在于当时目标检测已接近瓶颈期，而R-CNN利于在ImageNet预训练模型微调的方法一举将VOC上mAP由35.1%提升至53.7%，确定了深度学习下目标检测的基本思路。

Fast R-CNN：R-CNN的弊端是R-CNN的运行效率不高，预测一张图像需要47秒。Fast R-CNN同样基于候选区域进行目标检测，网络结构如图所示，但受SPPNet启发，在Fast R-CNN中，不同候选区域的卷积特征提取部分是共享的。也就是说，我们先用卷积网络进行图片的特征提取，并提取conv5卷积特征。之后，基于在原始图像上运行候选区域生成算法的结果在卷积特征上进行采样，这一步称为兴趣区域池化。最后，对每个候选区域，进行目标定位，即两分支(分类+回归)输出。

兴趣区域池化(region of interest pooling, RoI pooling) 兴趣区域池化旨在由任意大小的候选区域对应的局部卷积特征提取得到固定大小的特征，这是因为下一步的两分支网络由于有全连接层，需要其输入大小固定。其做法是，先将候选区域投影到卷积特征上，再把对应的卷积特征区域空间上划分成固定数目的网格(数目根据下一步网络希望的输入大小确定，例如VGGNet需要7×7的网格)，最后在每个小的网格区域内进行最大池化，以得到固定大小的汇合池化。和经典最大池化一致，每个通道的兴趣区域池化是独立的。

Faster R-CNN：网络结构如图所示，Faster R-CNN而利用候选区域网络从conv5特征中产生候选区域，并且将候选区域网络集成到整个网络中端到端训练。

候选区域网络(region proposal networks, RPN) 在卷积特征上的通过两层卷积(3×3和1×1卷积)，输出两个分支。其中，一个分支用于判断每个锚盒是否包含了目标，另一个分支对每个锚盒输出候选区域的4个坐标。候选区域网络实际上延续了基于滑动窗进行目标定位的思路，不同之处在于候选区域网络在卷积特征而不是在原图上进行滑动。由于卷积特征的空间大小很小而感受野很大，即使使用3×3的滑动窗，也能对应于很大的原图区域。Faster R-CNN实际使用了3组大小(128×128、256×256、512×512)、3组长宽比(1:1、1:2、2:1)，共计9个锚盒，这里锚盒的大小已经超过conv5特征感受野的大小。对一张1000×600的图像，可以得到20k个锚盒。

为什么要使用锚盒(anchor box) 锚盒是预先定义形状和大小的包围盒。使用锚盒的原因包括：

• 图像中的候选区域大小和长宽比不同，直接回归比对锚盒坐标修正训练起来更困难。
• conv5特征感受野很大，很可能该感受野内包含了不止一个目标，使用多个锚盒可以同时对感受野内出现的多个目标进行预测。
• 使用锚盒也可以认为这是向神经网络引入先验知识的一种方式。我们可以根据数据中包围盒通常出现的形状和大小设定一组锚盒。锚盒之间是独立的，不同的锚盒对应不同的目标。

基于候选区域的目标检测算法通常需要两步：第一步是从图像中提取深度特征，第二步是对每个候选区域进行定位(包括分类和回归)。其中，第一步是图像级别计算，而第二步是区域级别计算。R-CNN, Fast R-CNN, Faster R-CNN, 这些算法的演进思路是逐渐提高网络中图像级别计算的比例，同时降低区域级别计算的比例。

---

One-stage算法

基于候选区域的方法由于有两步操作，虽然检测性能比较好，但速度较慢。基于直接回归的方法不需要候选区域，直接输出分类/回归结果。这类方法速度通常更快，可以满足实时性使用。

YOLO ：网络结构如图所示，将图像划分成7×7的网格，其中图像中的真实目标被其划分到目标中心所在的网格及其最接近的锚盒。对每个网格区域，网络需要预测：每个锚盒包含目标的概率(不包含目标时应为0，否则为锚盒和真实包围盒的IoU)、每个锚盒的4个坐标、该网格的类别概率分布。每个锚盒的类别概率分布等于每个锚盒包含目标的概率乘以该网格的类别概率分布。相比基于候选区域的方法，YOLO需要预测包含目标的概率的原因是，图像中大部分的区域不包含目标，而训练时只有目标存在时才对坐标和类别概率分布进行更新。

YOLO的优点在于：

• 基于候选区域的方法的感受野是图像中的局部区域，而YOLO可以利用整张图像的信息。
• 有更好的泛化能力。

YOLO的局限在于：

• 不能很好处理网格中目标数超过预设固定值，或网格中有多个目标同时属于一个锚盒的情况。
• 对小目标的检测能力不够好。
• 对不常见长宽比的包围盒的检测能力不强。
• 计算损失时没有考虑包围盒大小。大的包围盒中的小偏移和小的包围盒中的小偏移应有不同的影响。

SSD ：相比YOLO，SSD在卷积特征后加了若干卷积层以减小特征空间大小，并通过综合多层卷积层的检测结果以检测不同大小的目标。此外，类似于Faster R-CNN的RPN，SSD使用3×3卷积取代了YOLO中的全连接层，以对不同大小和长宽比的锚盒来进行分类/回归。

非最大抑制(non-max suppression, NMS) ：目标检测可能会出现的一个问题是，模型会对同一目标做出多次预测，得到多个包围盒。NMS旨在保留最接近真实包围盒的那一个预测结果，而抑制其他的预测结果。NMS的做法是，首先，对每个类别，NMS先统计每个预测结果输出的属于该类别概率，并将预测结果按该概率由高至低排序。其次，NMS认为对应概率很小的预测结果并没有找到目标，所以将其抑制。然后，NMS在剩余的预测结果中，找到对应概率最大的预测结果，将其输出，并抑制和该包围盒有很大重叠(如IoU大于0.3)的其他包围盒。重复上一步，直到所有的预测结果均被处理。

---

语义分割(Semantic Segmentation)

语义分割是目标检测更进阶的任务，是像素识别，即需要识别图片中的像素所属目标。

基本思路 逐像素进行图像分类。我们将整张图像输入网络，使输出的空间大小和输入一致，通道数等于类别数，分别代表了各空间位置属于各类别的概率，即可以逐像素地进行分类。

全卷积网络+反卷积网络 为使得输出具有三维结构，全卷积网络中没有全连接层，只有卷积层和汇合层。但是随着卷积和汇合的进行，图像通道数越来越大，而空间大小越来越小。要想使输出和输入有相同的空间大小，全卷积网络需要使用反卷积和反汇合来增大空间大小。

反卷积(deconvolution)/转置卷积(transpose convolution) 标准卷积的滤波器在输入图像中进行滑动，每次和输入图像局部区域点乘得到一个输出，而反卷积的滤波器在输出图像中进行滑动，每个由一个输入神经元乘以滤波器得到一个输出局部区域。反卷积的前向过程和卷积的反向过程完成的是相同的数学运算。和标准卷积的滤波器一样，反卷积的滤波器也是从数据中学到的。

反最大池化(max-unpooling) 通常全卷积网络是对称的结构，在最大池化时需要记下最大值所处局部区域位置，在对应反最大池化时将对应位置输出置为输入，其余位置补零。反最大池化可以弥补最大池化时丢失的空间信息。反最大池化的前向过程和最大池化的反向过程完成的是相同的数学运算。

---

实体分割(Instance Segmentation)

实体分割也是像素识别，且当图片中有多个相同类别的目标后，网络需要对同类别目标的像素进行划分。

基本思路 目标检测+语义分割。先用目标检测方法将图像中的不同实例框出，再用语义分割方法在不同包围盒内进行逐像素标记。

Mask R-CNN 用FPN进行目标检测，并通过添加额外分支进行语义分割(额外分割分支和原检测分支不共享参数)，即Mask R-CNN有三个输出分支(分类、坐标回归、和分割)。此外，Mask R-CNN的其他改进有：(1). 改进了RoI池化，通过双线性差值使候选区域和卷积特征的对齐不因量化而损失信息。(2). 在分割时，Mask R-CNN将判断类别和输出模板(mask)这两个任务解耦合，用sigmoid配合对率(logistic)损失函数对每个类别的模板单独处理，取得了比经典分割方法用softmax让所有类别一起竞争更好的效果。