深度学习之目标检测

最新推荐文章于 2024-10-10 14:49:47 发布

懒懒妞

最新推荐文章于 2024-10-10 14:49:47 发布

阅读量1k

点赞数

分类专栏：目标检测文章标签：目标检测综述

本文链接：https://blog.csdn.net/qq_35699505/article/details/89085213

版权

目标检测专栏收录该内容

7 篇文章 0 订阅

订阅专栏

深度学习为什么要训练，训练的模型又是什么？

机器学习大概有如下步骤：确定模型-训练模型-使用模型。其中模型可以简单的定义为函数，确定模型是说自己认为这些数据特征符合哪个函数，训练模型就是用自己的数据，通过一些方法（最优化或其他方法）确定函数的参数，参数确定后的函数就是训练的结果，使用模型就是把新的数据代入函数求值。

什么是目标检测

目标检测是指输入待检测图像，获得图像中感兴趣的目标，确定他们的位置和大小。

目标检测要解决的核心问题是：

1.目标可能出现先图像的任何位置；

2.目标有各种大小；

3.目标可能有各种不同的形状

如果用矩形框来定义目标，则矩形有不同的宽高比。由于目标的宽高比不同，因此采用经典的滑动窗口+图像缩放的方案解决通用目标检测问题的成本太高。

基于深度卷积神经网络的目标检测与识别算法发展趋势

不看任何做法，给出一张图，如何检测出物体的类别和位置？

现产生一些可能含有物体的目标框（region prosoal/bounding box)，对于给定的目标框做分类，这样就把检测的问题转成了分类的问题了。那么如何产生目标框了？传统的方法有selective search，深度学习方法有Faster rcnn中的RPN。

selective search的策略是：既然是不知道尺度是怎样的，那我们就尽可能遍历所有的尺度好了，首先通过基于图的图像分割方法初始化原始区域，就是将图像分割成很多很多的小块。然后我们使用贪心策略，计算每两个相邻的区域的相似度，然后每次合并最相似的两块，直到最终只剩下一块完整的图片。然后这其中每次产生的图像块包括合并的图像块我们都保存下来，这样就得到图像的分层表示了呢。RPN的介绍会在后面涉及到。

RCNN

RCNN的具体步骤是：

通过选择性搜索算法从待检测图像中提取2000个左右的区域候选框，这些候选框可能包含要检测的目标
把所有候选框缩放成固定大小（原文中是277*277）
通过CNN提取每一个候选区域的特征，得到固定长度的特征向量
训练SVM分类器
训练边界框回归器

缺点：R-CNN流程较多，包括region proposal的选取，训练卷积神经网络（softmax classifier，log loss），训练SVM（hinge loss）和训练 regressor（squared loss），这使得训练时间非常长（84小时），占用磁盘空间也大。在训练卷积神经网络的过程中对每个region proposal都要计算卷积，这其中重复的太多不必要的计算，试想一张图像可以得到2000多个region proposal，大部分都有重叠，因此基于region proposal卷积的计算量太大，而这也正是之后Fast R-CNN主要解决的问题

Fast R-CNN

ROI pooling

ROI Pooling的作用是对不同大小的region proposal，从最后卷积层输出的feature map提取大小固定的feature map。简单讲可以看做是SPPNet的简化版本，因为全连接层的输入需要尺寸大小一样，所以不能直接将不同大小的region proposal映射到feature map作为输出，需要做尺寸变换。在文章中，VGG16网络使用H=W=7的参数，即将一个h*w的region proposal分割成H*W大小的网格，然后将这个region proposal映射到最后一个卷积层输出的feature map，最后计算每个网格里的最大值作为该网格的输出，所以不管ROI pooling之前的feature map大小是多少，ROI pooling后得到的feature map大小都是H*W。

训练和测试过程

算法主网络是VGG16，fast-RCNN的一般模型为：

训练过程：输入的是224*224，经过5个卷积层和2个降采样层（这两个降采样层是分别接在卷积层后面）后，进入ROIPooling层，该层输入的是conv5层的输出和region proposal，region proposal的个数差不多2000。然后再经过两个都是output是4096的全连接层。最后分别经过output个数是21和84的两个全连接层（这两个全连接层是并列的，不是前后关系），前者是分类的输出，代表每个region proposal属于每个类别（21类）的得分，后者是回归的输出，代表每个region proposal的四个坐标。最后是两个损失层，分类的是softmaxWithLoss，输入是label和分类层输出的得分；回归的是SmoothL1Loss，输入是回归层的输出和target坐标及weight。

测试过程：与训练基本相同，最后两个loss层要改成一个softma层，输入是分类的score，输出概率。最后对每个类别采用NMS（non-maximun suppression）。

Fast RCNN主要有3个改进：

1、卷积不再是对每个region proposal进行，而是直接对整张图像，这样减少了很多重复计算。原来RCNN是对每个region proposal分别做卷积，因为一张图像中有2000左右的region proposal，肯定相互之间的重叠率很高，因此产生重复计算。

2、用ROI pooling进行特征的尺寸变换，因为全连接层的输入要求尺寸大小一样，因此不能直接把region proposal作为输入。

3、将regressor放进网络一起训练，每个类别对应一个regressor，同时用softmax代替原来的SVM分类器。

Fast R-CNN存在的问题

存在瓶颈：选择性搜索，找出所有的候选框，这个也非常耗时。

Faster R-CNN

RPN是faster-RCNN中的Region Proposal Network，就是以一张任意大小的图片作为输入，输出一批矩形区域的提名，每一个区域都会对应目标的分数和位置信息。实际就是在最终的卷积特征层上，在每个点利用滑窗生成k个不同的矩形框来提取区域，k一般取为9。K个不同的矩形框被称为anchor，具有不同尺度和比例。用分类器来判断anchor覆盖的图像是前景还是背景。对于每一个anchor，还需要使用一个回归模型来回归框的精细位置。
在这里插入图片描述

与selective search方法相比，RPN网络将候选区域的选择从图像中移到了feature map中，因为feature map的大小远远小于原始的图像，此时的滑动窗口的计算量呈数量级的降低。并且RPNs和RoI Pooling还共用了基础的网络，更是大大地减少了参数量和预测时间。由于是在特征空间进行候选框生成，可以学到更加高层语义的抽象特征，生成的候选区域的可靠程度也得到了大大提高。