MultiNet论文阅读笔记

最新推荐文章于 2024-08-13 08:52:30 发布

fool-zz

最新推荐文章于 2024-08-13 08:52:30 发布

阅读量5.5k

点赞数

文章标签：目标检测卷积神经网络深度学习

本文链接：https://blog.csdn.net/qq_14839543/article/details/68065292

版权

 
 MultiNet论文阅读笔记 

 
 刚开始接触这方面，有什么不懂的请大家不吝指教。这篇笔记只是作为自己学习的一个记录而已，请大家轻点喷。。 

 
 论文地址： 
 https://arxiv.org/abs/1612.07695 

 
 代码地址： 
 https://github.com/MarvinTeichmann 
 （下面有一个KittiSeg是语义分割的代码，KittiBox是目标检测的代码） 

 
 为了提高实现自动驾驶等实时应用的计算时间，提出了一种通过统一架构的联合分类、检测和语义分割的方法。整个方法的架构可以表示为编码器—解码器。其中编码器采用的是VGG-16网络的前13层的输出（feature map大小为39X12），此特征在三个任务解码器之间共享。通过构造这种方法，可以进行端到端的训练，并且在具有挑战性的KITTI数据集中表现非常出色，超越了道路划分任务中的最先进技术。我们的方法也非常有效，执行所有任务只需要不到100 ms。 

 
 编码器：由VGG16网络的卷积层和池化层组成，采用前13层输出的结果。并且在三个任务之间共享权重。 

  MultiNet架构 

 
 解码器： 

 
 分类解码器（Classification Decoder）：在编码器的输出（39X12X512）之后应用于一个1X1的卷积层，然后紧接着用全连接层和softmax进行分类，最后得到概率（2类，车或者是背景）。 

 
 检测解码器（Detection Decoder）：解码器首先在编码器的输出之后同样的应用一个1X1的卷积层，产生39X12X300（300跟后面的500有出入，和代码中的512也有出入）的特征图，然后在此之后再应用一个1X1卷积层，产生39X12X6的输出（类似于Yolo，将图像分割成39X12个网格，每个网格预测一个框），每个网格预测6个参数，前两个参数表示两个类别的概率，后面的四个参数表示预测的框的坐标值。（感觉这就是Yolo啊），但是这种预测是非常不准确的（Yolo的作者也说了会产生更多的定位误差使得定位很不准确），为了解决这个问题，引入了一个再缩放层（有点类似于残差网络也有点像Yolo V2），将VGG-16网络的Conv4-3输出的高分辨率的特征图（156X48）来回归上一步得到的框。在将高分辨率的特征图缩放至39X12的大小的时候，采用的方法是ROI池化层的方法（参考fast rcnn中的ROI池化），将此方法得到的特征图与39X12X6大小的特征图再经过一个1X1的网络得到最后的输出。 

 
 检测解码器第一次的输出,能看出预测的红色的框和ground truth差别很大 

 
 分割解码器（Segmentation Decoder）：采用的FCN全卷积网络来对图像进行语义分割。将VGG架构的剩余完全连接（FC）层转换为1×1卷积层，以产生尺寸为39×12的低分割分辨率。其后是三个转置卷积层(也有叫做反卷积层)[6,21] 执行上采样。然后再加上一些较低层如Conv4-3、3-3层的高分辨率的特征，这些特征首先由1×1卷积层处理，然后加到部分上采样结果中。 

 
 训练细节 

 
   在本节中，我们将介绍我们使用的损失函数以及我们的训练过程的其他细节，包括初始化。 

 
   标签编码：我们使用单热编码进行分类和分割。对于检测，当且仅当它与至少一个边界框相交时，我们才分配了一个正的的置信度。我们通过其中心的x和y坐标以及框的宽度w和高度h来参数化边界框。请注意，此编码比Faster RCNN或ReInspect简单得多。 

 
   损失函数：我们将损失函数定义为分类，分割和检测的损失函数的总和。我们采用交叉熵作为分类和分割分支的损失函数，定义如下： 

 
 其中p是预测，q是ground truth，C是一组类。我们使用两个损失的总和来检测：信号的交叉熵损失和边界框坐标上的L1损耗。请注意，L1损耗仅针对已被赋予正值置信标记的单元格计算。从而: 

 
 其中p是预测，q是ground truth，C是一组类，I是小批次中的一组示例。 

 
   综合训练策略：通过合并每个损失计算的渐变独立小批量进行联合训练。这允许我们用自己的训练参数来训练三个解码器中的每一个。在梯度合并期间，所有的损失都被相等地加权。另外，我们观察到，检测网络需要比其他任务需要更多的训练步骤。因此，我们对我们的小批次进行抽样，使得我们使用所有损失函数交替更新，其中两个更新仅利用检测丢失。 

 
   初始化：使用ImageNet上预先训练的VGG权重对编码器进行初始化。使用范围（-0.1,0.1）中的单位分布随机初始化检测和分类解码器权重。分割解码器的卷积层也使用VGG权重进行初始化，并且转置卷积层被初始化以执行双线性上采样。另一方面，跳过连接以非常小的权重（即1e-4的标准）随机初始化。这允许我们一步进行训练（与[29]的两步程序相反）。 

 
   优化和正则化：我们使用Adam优化器[22]，学习率为1e - 5来训练我们的MultiNet。对所有层施加5e-4的权重衰减，并且以解码器中的所有（内）1×1卷积应用概率为0.5的dropout。 

 
 实验结果 

 
   在本节中，我们对具有挑战性的KITTI数据集进行实验评估。 

 
 结论 

 
    在本文中，我们开发了一个统一的深层架构，能够共同推理分类，检测和语义分割。我们的方法非常简单，可以端到端进行训练，并在挑战性的KITTI中表现非常出色，超越了道路分割任务中的最先进技术。我们的方法也非常有效，需要98.10ms执行所有任务。未来我们计划开发压缩方法，以进一步降低MutiNet的计算瓶颈和能耗。 