《Scalable Object Detection using Deep Neural Networks》Bounding Box目标检测的思想

Scalable Object Detection using Deep Neural Networks

阅读意图：在研究Inception全家桶的论文时发现本文这篇有被作为参考文献，并且该篇论文讲述了$BoundingBox$做目标检测的思想，也算是开山之作，想到YOLO的思路中也有用到$BoundingBox$的思想，我想有必要了解一下这方面的知识，以方便更好地了解应用在yolov的这部分技术。

论文

Scalable Object Detection using Deep Neural Networks

博客

• 非极大值抑制(Non-Maximum Suppression)
• 交叉熵损失函数
• 论文中ground truth的解释

论文理解

论文的方法

我们的目标是通过预测一组表示潜在对象的$BoundingBox$来实现与类无关的可伸缩对象检测。更准确地说，我们使用深度神经网络(DNN)，它输出固定数量的$BoundingBox$。此外，它为每个表示包含对象的盒子的网络置信度的盒子输出一个分数。

训练一个DNN来预测每幅训练图像的$BoundingBox$和置信度，最高得分的框就能很好的很好的匹配图像中的$groundtruth$物体。

训练时只优化与$groundtruth$数据最匹配的预测框的子集，并且优化它们的位置以提高它们的匹配度和最大化它们的置信度。同时，将剩余预测的置信度最小化，认为这些预测不能很好的定位真实的物体。

为了实现上述目标，我们为每个训练示例制定一个分配问题。我们 x i j ∈ { 0 , 1 } x_{ij}∈\{0,1\} xij​∈{0,1}表示赋值:如果第$i$个预测被赋值给第$j$个真实对象，$x_{ij}=1$。这项任务的目标可以表述为:

• $F_{match}$表示目标函数,类似均方误差
• $l_i$表示第$i$个$BoundingBox$的位置向量，包含了$BoundingBox$的左上角和右下角的坐标，是一个位置向量，这些坐标是归一化
• $g_j$表示被$BoundingBox$框住的第$j$个对象

我们希望根据任务$x$优化框的置信度。最大化指定预测的置信度能被表示为：

上述置信度基于交叉熵损失定义，其中${\sum }_j{x}_{ij}=1$表示预测框$i$已经匹配到一个$groundtruth$。$c_i$表示第$i$个$BoundingBox$的置信度，在${\sum }_j{x}_{ij}=1$情况下，$c_i$被最大化， 而相反的情况$c_i$被最小化。

上述术语的另一种解释是：如果我们将${\sum }_j{x}_{ij}$看作预测框$i$包含了一个感兴趣对象的概率，则上述损失函数为熵的负值，对应为最大熵损失。（这里不是很懂，为何loss为熵的负值）

最终的损失目标函数结合了匹配损失函数和置信度损失函数：

受公式(1)约束，$\alpha$平衡了不同损失项的贡献。

对每个训练示例，我们求解一个预测到真实框的最优任务$x^{\ast }$：

公式（4）最小化损失目标函数
式子（5）${\sum }_i{x}_{ij}=1$表示第$j$个对象一定会被所有的$BoundingBox$中的其中仅有的一个包含。

训练方法：
采用三种方法能显著得达到更好得精度：

1. 对$groundtruth$的位置进行聚类，找到$K$个这样的簇/质心，我们可以使用它们作为每个预测位置的先验知识。因此，对每个预测位置，学习算法被激励去学习一个残差到一个先验
2. 在匹配过程中使用这些先验知识：我们在K个先验和$groundtruth$之间找到最佳的匹配，而不是用K个预测匹配N个$groundtruth$的位置。一旦匹配完成，目标置信度像之前一样计算。
3. 此外，位置预测损失函数也没有改变：对于任何匹配的一对（目标，预测）位置，损失函数是由$groundtruth$和匹配的先验相对应的坐标定义的。我们称先验的使用为先验匹配，并假设它使预测多样化。

应该注意的是，尽管我们以类不可知的方式定义了方法，但我们可以将其应用于预测特定类的对象框。要做到这一点，我们只需要在类的$BoundingBox$上训练模型。

实验结果：

网络结构和实验细节：
网络结构采用和AlexNet结构相同的网络，使用$Adagrad$控制学习速率的衰减，使用迷你的batch_size为128个，在定位损失中使用先验（使用训练集上的$K-means$计算的），我们也使用$\alpha =0.3$来平衡局部和置信损失。

非极大抑制采用了$0.5$的$Jaccard$相似度阈值，以此对$BoundingBox$进行修剪。

为了训练我们的定位网络，我们从训练集中生成了大约3000万幅图像。对于训练集中的每个图像，我们生成相同数量的方形样本，这样的样本数量大约是1000万。对于每一幅图像，样本都是按0-5%，5-15%，15-50%，50-100%的比例进行存储的，这些被$BoundingBox$覆盖的比率在给定的范围内都有相同数量的样本。

总结

论文读完之后，基本了解了作者的核心思想，通过DNN来训练出这些$BoundingBox$，通过匹配度和置信度来定义损失函数，以此训练，其中也利用了一些提高训练精度的方法。