NMS——卷积网络改进实现

最新推荐文章于 2024-07-01 21:34:51 发布

简单说鸭

最新推荐文章于 2024-07-01 21:34:51 发布

阅读量503

点赞数

分类专栏：机器学习文章标签： nms

机器学习专栏收录该内容

3 篇文章 0 订阅

订阅专栏

本文介绍了用卷积神经网络改进传统NMS的方法，文章来源于2016ICLR《A CONVNET FOR NON-MAXIMUM SUPPRESSION》，该文章状态为正在审核。

1-传统的NMS
2-NMS-ConvNet
2-1 映射制作score map
2-2 制作IOU层
2-3 网络解析
2-4 输出及Loss
未完待续
1-传统的NMS

NMS，非极大值抑制，在很多计算机视觉问题中有着重要应用，尤其是目标检测领域。

以人脸检测为例，通常的流程为3步：

（1）通过滑动窗口或者其它的object proposals方法产生大量的候选窗口；

（2）用训练好的分类器对候选窗口进行分类，该过程可以看做是一个打分的过程；

（3）使用NMS对上面的检测结果进行融合（因为一个目标可能被检测出多个窗口，而我们只希望保留一个）。

如下图是（2）分类检测之后的结果：

以此图为例，传统的NMS，首先选定一个IOU阈值，例如为0.25。然后将所有4个窗口（bounding box）按照得分由高到低排序。然后选中得分最高的窗口，遍历计算剩余的3个窗口与该窗口的重叠面积比例（IOU），如果IOU大于阈值0.25,则将窗口删除。然后，再从剩余的窗口中选中一个得分最高的，重复上述过程。直至所有窗口都被处理。

假如0.25是一个不错的阈值，那么我们可以得到比较好的结果，如下图：

如果，我们的IOU阈值设定的特别小，比如说0.1。那么2个人的窗口会被归为一个人而被融合。得到下面的错误结果：

如果，我们的IOU阈值设定的特别大，比如说0.6。那么又可能得到下面的错误结果：

由上可知，对于传统的NMS算法选择一个好的阈值是多么重要的一件事，但又是一件很困难的事。传统的NMS是一种硬判决，是一种贪心算法。因此在文章中，作者称传统的NMS算法为：GreedyNMS

2-NMS-ConvNet

再提及一下，传统的NMS在判决融合的时候，只利用到了2个信息：Score 和 IOU ，即每个框的得分和框与框之间的重叠比例。

文章用神经网络去实现NMS，所利用的同样也是这2个信息。如下图的整个流程图：

由网络结构图中的红色框可以得到，输入data层有2个，一个是Score map，一个是 Iou layer.下面我们讲述一下，如何由最初的bounding box去得到这两个data层。

2-1 映射——制作score map

假定原图像尺寸为W×H，那么我们要制作的score map大小为w×h,其中w=W/4, h=H/4，则score map上的一个点对应着原图的4×4的区域：

对于一个bounding box ，我们计算其中心然后判断其属于哪个区域，然后将该box的score填入score map对应的位置。如下图：

如果有多个bounding box的中心落入同一区域，则只记录最高得分。

到此，我们已经得到了w×h×1的score map.

文章提到，传统的NMS需要排序，但在卷积神经网络中，很难用各种线性组合和非线性激活去模拟排序。因此，文章先用传统的NMS处理一遍bounding boxes, 然后再生成一张同样大小的score map，记作S(T)，T为NMS的阈值。

最终，我们得到了w×h×2的score map. 记作S(1,T)

2-2 制作IOU层

IOU，intersection-over-union。因此IOU层描述的也就是bounding box之间的相交关系。

IOU层大小为w×h×121,其中121=11×11，即描述的是相应中心点11×11范围内存在的box的相交关系。
如下图所举出的例子，左侧的图是score map S(1)，粉色表明有值，则每个粉色处也对应着一个bounding box。以红色为中心划一个11×11的范围，则可以依次计算每一个位置对应的box与中心点对应box的IOU，其值记作I，如右侧所示。同理，易知 I(7,8,i)一定为0。

2-3 网络解析

我们再来看一下网络结构：

注意2点：

(1)： IOU层的kernel size 为1，stride也为1。
Score map层的kernel size 为11×11，这是为了呼应IOU层；stride 为1 ，pad 为5，这是为了获得和输入同样尺寸的输出：

(2)： Layer 2将之前的2个输出拼接，之后所有的卷积都是1×1。最终的输出仍然是一个尺寸一致的score map .

2-4 输出及Loss

理想的输出是一个同输入尺寸完全一致的score map 图，在该图中，每一个目标只拥有一个score，相应地也只对应了一个bounding box。

因此训练的目标就是保留一个，抑制其它。如下图：

(1)上图a的score map 是我们的输入，由图易知，这里面一共有5个有效的score，则也对应着5个bounding box。

(2) 假设5个bounding box都是同一个目标的检测结果。则我们的训练目的则是保留最好的一个，抑制其余4个。
为此，我们首先分配标签：5个bounding box 中满足与ground truth 的IOU大于0.5且得分最高的box作为正样本，其余均为负样本，如上图b所示。

(3)显然正负样本的数量严重不均衡，因此计算loss之前，我们要分配一下权重用于权衡这种失衡。权重的分配很简单，如图c所示，正样本的权重总和与负样本的权重总和相等。

(4)上右侧的图为理想的输出。综上，我们的Loss Function就可以很容易得出了（类似于pixel级别的分类）：

其中，p属于G，表示score map 中有值的点。