目标分类和目标检测学习笔记-理论篇

一、目标分类篇

1.AlexNet

网络结构

网络亮点

1.首次使用GPU加速网络训练

2.ReLU激活函数

关于Sigmod,ReLU,LeakyReLU激活函数的比较

3.使用LRN局部响应归一化

4.在全连接层的前两层中使用了 Dropout 随机失活神经元操作，以减少过拟合

*Note:
$$\begin{gathered} 经过卷积后的矩阵尺寸大小计算公式为： \\ N=\frac{W-F+2P}{S}+1 \\ 输入图片大小:W\times W卷积核尺寸:F\times F步长stride:Spadding值:P \end{gathered}$$

2.VGG

–VERY DEEP CONVOLUTIONAL NETWORKS–

网络结构

网络亮点

1. 通过堆叠多个3x3的卷积核来替代大尺度卷积核 （减少所需参数）

   可以通过堆叠两个3x3的卷积核替代5x5的卷积核，堆叠三个3x3的卷积核替代7x7的卷积核，它们拥有相同的感受野（receptive field）.。

$$感受野计算公式：F(i)=(F(i+1)-1)\times Stride+Ksize$$

2.通过堆叠3x3的卷积核减少了模型参数

3.LRN对模型效果没有改善

3.GoogLeNet

网络结构

网络亮点

1.引入了Inception结构（融合不同尺度的特征信息）

2.使用1x1的卷积核进行降维以及映射处理

3.添加两个辅助分类器帮助训练

4.丢弃全连接层，使用平均池化层（大大减少模型参数）

4.Resnet

**Question:**Is learning better networks as easy as stacking more layers?

Anwser:如图 所示，在训练集上，传统神经网络越深效果不一定越好。而 Deep Residual Learning for Image Recognition 这篇论文认为，理论上，可以训练一个 shallower 网络，然后在这个训练好的 shallower 网络上堆几层 identity mapping（恒等映射） 的层，即输出等于输入的层，构建出一个 deeper 网络。这两个网络（shallower 和 deeper）得到的结果应该是一模一样的，因为堆上去的层都是 identity mapping。这样可以得出一个结论：理论上，在训练集上,Deeper 不应该比 shallower 差，即越深的网络不会比浅层的网络效果差。但为什么会出现图 中 这样的情况呢，随着层数的增多，训练集上的效果变差？这被称为退化问题（degradation problem），原因是随着网络越来越深，训练变得原来越难，网络的优化变得越来越难。理论上，越深的网络，效果应该更好；但实际上，由于训练难度，过深的网络会产生退化问题，效果反而不如相对较浅的网络。而残差网络就可以解决这个问题的，残差网络越深，训练集上的效果会越好。（测试集上的效果可能涉及过拟合问题。过拟合问题指的是测试集上的效果和训练集上的效果之间有差距。）

网络结构

文中对比了VGG19、34-layer plain(没有residue模块)、34-layer residual模型

网络亮点

1.超深的网络结构

->梯度消失或梯度爆炸问题

->退化问题Degration Problem:

2.提出residual模块

3.Batch Normalization

目的：使一批feature map满足均值为0，方差为1的分布规律
Input: V a l u e s   o f   x   o v e r   a   m i n i − b a t c h : B = { x 1... m } ; P a r a m e t e r s   t o   b e   l e a r n e d : γ , β Output: { y i = B N γ , β ( x i ) } μ B ← 1 m ∑ i = 1 m x m / / m i n i − b a t c h   m e a n σ B 2 ← 1 m ∑ i = 1 m ( x i − μ B ) 2 / / m i n i − b a t c h   v a r i a n c e x i ^ ← x i − μ B σ B 2 + ϵ / / n o r m a l i z e y i ← γ x i ^ + β ≡ B N γ , β ( x i ) / / s c a l e   a n d   s h i f t \textbf{Input:}Values\ of\ x\ over\ a\ mini-batch:B=\{ x_{1...m}\}; \\Parameters\ to\ be\ learned:\gamma,\beta\\ \textbf{Output:}\{y_i=BN_{\gamma,\beta}(x_i)\}\\ \mu_B \leftarrow \frac {1}{m} \sum_{i=1}^m x_m \qquad //mini-batch\ mean\\ \sigma_B^2 \leftarrow \frac{1}{m} \sum_{i=1}^m(x_i-\mu_B)^2 \qquad //mini-batch\ variance\\ \hat{x_i} \leftarrow \frac {x_i-\mu_B}{\sqrt{\sigma_B^2+\epsilon}} \qquad //normalize \\ y_i \leftarrow \gamma \hat{x_i}+\beta \equiv BN_{\gamma,\beta}(x_i) \qquad //scale\ and\ shift Input:Values of x over a mini−batch:B={x1...m​};Parameters to be learned:γ,βOutput:{yi​=BNγ,β​(xi​)}μB​←m1​i=1∑m​xm​//mini−batch meanσB2​←m1​i=1∑m​(xi​−μB​)2//mini−batch variancexi​^​←σB2​+ϵ ​xi​−μB​​//normalizeyi​←γxi​^​+β≡BNγ,β​(xi​)//scale and shift

为什么残差网络会work？

我们给一个网络不论在中间还是末尾加上一个残差块，并给残差块中的 weights 加上 L2 regularization（weight decay），这样F(x)=0 是很容易的。这种情况下加上一个残差块和不加之前的效果会是一样，所以加上残差块不会使得效果变得差。如果残差块中的隐藏单元学到了一些有用信息，那么它可能比 identity mapping（即 F(x)=0）表现的更好。

*Note：–迁移学习–

优势：

• 能够快速的训练出一个理想的结果
• 当数据集较小时也能训练出理想的效果

常见的迁移学习方式

• 载入权重后训练所有参数
• 载入权重后只训练最后几层参数
• 载入权重后在原网络基础上再添加一层全连接层、仅训练最后一个全连接层

5.MobileNet

6.ShuffleNet

7.EfficientNet

8.Vision Transformer

二、目标检测篇

1.RCNN->Fast_RCNN->Faster_RCNN

RCNN(mAP:53.7% of PASCAL VOC 2010)

算法流程

• 一张图像生成1000~2000个候选区域(Proposals),采用Selective Search方法

• 对每个候选区域，使用深度网络提取特征

• 特征送入每一类的SVM分类器，判别是否属于该类

  将2000×4096的特征矩阵与20个SVM组成的权值矩阵4096×20
  相乘，获得2000×20的概率矩阵，每一行代表一个建议框归于每个
  目标类别的概率。分别对上述2000×20维矩阵中每一列即每一类进
  行非极大值抑制剔除重叠建议框，得到该列即该类中得分最高的一
  些建议框。
  

• 使用回归器精细修正候选框位置

Fast-RCNN（mAP：66% of PASCAL VOC 2012)

算法介绍

论文指出了R-CNN存在的问题

• Training is a multi-stage pipeline
• Training is expensive in space and time.
• Object detection is slow

测试速度慢：测试一张图片约53s(CPU)。用Selective Search算法提取候选框用时约2秒，一张图像内候选框之间存在大量重叠，提取特征操作冗余；训练速度慢；训练所需空间大。

Fast_RCNN的主要贡献：

• Higher detection quality (mAP) than R-CNN, SPPnet
• Training is single-stage, using a multi-task loss
• Training can update all network layers
• No disk storage is required for feature caching

算法流程

• 一张图像生成1000~2000个候选区域(使用Selective Search方法)
• 将图像输入网络得到相应的特征图，将SS算法生成的候选框投影到
  特征图上获得相应的特征矩阵
• 将每个特征矩阵通过ROI Pooling层缩放到7x7大小的特征图，接着将
  特征图展平通过一系列全连接层得到预测结果

算法重点内容

• 一次性计算整张图像特征
  

• 训练数据的采样（计算Loss时正、负样本选取）
  

• 损失函数 Multi-task loss

  L ( p , u , t u , v ) = L c l s ( p , u ) + λ [ u ≥ 1 ] L l o c ( t u , v ) p 是 分 类 器 预 测 的 s o f t m a x 概 率 分 布 p = { p 0 , . . . , p k } u 对 应 目 标 真 实 类 别 标 签 分 类 损 失 : L c l s ( p , u ) = − l o g   p u 边 界 框 回 归 损 失 ： L l o c ( t u , v ) = ∑ i ∈ { x , y , w , h } s m o o t h L 1 ( t i u − v i ) s m o o t h L 1 ( x ) = { 0.5 x 2 i f ∣ x ∣ < 1 ∣ x ∣ − 0.5 o t h e r w i s e L(p,u,t^u,v)=L_{cls}(p,u)+\lambda[u\ge1]L_{loc}(t^u,v) \\p是分类器预测的softmax概率分布p=\{p_0,...,p_k\} \\u对应目标真实类别标签 \\分类损失:L_{cls}(p,u)=-log\ p_u \\边界框回归损失：L_{loc}(t^u,v)=\sum_{i\in \{x,y,w,h \}}smooth_{L_1}(t_i^u-v_i) \\ smooth_{L_1}(x)= \left\{ \begin{array}{lr} 0.5x^2 \qquad if |x|<1\\ |x|-0.5 \qquad otherwise \end{array} \right. L(p,u,tu,v)=Lcls​(p,u)+λ[u≥1]Lloc​(tu,v)p是分类器预测的softmax概率分布p={p0​,...,pk​}u对应目标真实类别标签分类损失:Lcls​(p,u)=−log pu​边界框回归损失：Lloc​(tu,v)=i∈{x,y,w,h}∑​smoothL1​​(tiu​−vi​)smoothL1​​(x)={0.5x2if∣x∣<1∣x∣−0.5otherwise​

Faster R-CNN (mAP:70.4% on PASCAL VOC 2012)

算法流程

• 将图像输入网络得到相应的特征图
• 使用RPN结构生成候选框，将RPN生成的候选框投影到
  特征图上获得相应的特征矩阵
• 将每个特征矩阵通过ROI pooling层缩放到7x7大小的特征图
  接着将特征图展平通过一系列全连接层得到预测结果

算法重点内容

• RPN(Region Proposal Networks)，anchor box
  

对于一张1000x600x3的图像，大约有60x40x9(20k)个anchor，忽略跨越边界的anchor以后，剩下约6k个anchor。对于RPN生成的候选框之间存在大量重叠，基于候选框的cls得分，采用非极大值抑制，IoU设为0.7，这样每张图片只剩2k个候选框。

• 正负样本选取
  
  

• RPN损失函数

$$\begin{gathered} L(p_i,t_i)=\frac{1}{N_{cls}}\sum _i{L}_{cls}(p_i,p_i^{\ast })+\lambda \frac{1}{N_{reg}}\sum _i{p}_i^{\ast }{L}_{reg}(t_i,t_i^{\ast }) \\ {p}_i表示第i个anchor预测为真实标签的概率 \\ {p}_i^{\ast }当为正样本时为，当为负样本时为0 \\ {t}_i表示预测第i个anchor的边界框回归参数 \\ {t}_i^{\ast }表示第i个anchor对应的GTBox的边界回归参数 \\ {N}_{cls}表示一个mini-batch中的样本数量256 \\ {N}_{reg}表示anchor位置的个数，约2400 \end{gathered}$$

• Fast R-CNN Multi-task loss 同(Fast R-CNN部分）
  L ( p , u , t u , v ) = L c l s ( p , u ) + λ [ u ≥ 1 ] L l o c ( t u , v ) p 是 分 类 器 预 测 的 s o f t m a x 概 率 分 布 p = { p 0 , . . . , p k } u 对 应 目 标 真 实 类 别 标 签 L(p,u,t^u,v)=L_{cls}(p,u)+\lambda[u\ge1]L_{loc}(t^u,v) \\p是分类器预测的softmax概率分布p=\{p_0,...,p_k\} \\u对应目标真实类别标签 L(p,u,tu,v)=Lcls​(p,u)+λ[u≥1]Lloc​(tu,v)p是分类器预测的softmax概率分布p={p0​,...,pk​}u对应目标真实类别标签

总结

Two_stages典型框架

2.SSD:Single Shot MultiBox Detector

简介：SSD网络是作者Wei Liu在ECCV 2016上发表的论文。对于输入尺寸300x300的网络使用Nvidia Titan X在VOC 2007测试集上达到74.3%mAP以及59FPS，对于512x512的网络，达到了76.9%mAP超越当时最强的Faster RCNN(73.2%mAP)。真正的实时

网络结构

Faster RCNN存在的问题

• 对小目标检测效果很差
• 模型大，检测速度较慢

论文重点

• One_stage
  

• 在不同特征尺度上预测不同尺度的目标

• Default Box 的scale以及aspect设定
  

• Predictor的实现
  
  
  

• 正负样本的选取
  

• 损失计算
  $$\begin{gathered} L(x,c,l,g)=\frac{1}{N}(L_{conf}(x,c))+\alpha L_{loc}(x,l,g) \\ 其中N为匹配到的正样本个数 \\ 类别损失：L_{conf}(x,c)=-\sum _{i\in Pos}^N{x}_{ij}^{p}log(\widehat{c_i^p})-\sum _{i\in Neg}log(\widehat{c_i^0})where\widehat{c_i^p}=\frac{exp(c_i^p)}{{\sum }_{p}exp(c_i^p)} \\ \widehat{c_i^p}为预测的第i个defaultbox对应的GTBox(类别是P)的类别概率 \\ {x}_{ij}^p=0,1为第i个defaultbox匹配到的第j个GTBox(类别是P) \end{gathered}$$
  

3.YOLOv1->YOLOv2->YOLOv3->YOLOv3 SPP

YOLOv1

表现：mAP:63.4% 45FPS 448x448

论文思想

• 将一幅图像分成SxS个网格(grid cell)，如果某个object的中心落在这个网格中，则这个网格就负责预测这个object
  

• 每个网格要预测B个bounding box，每个bounding box除了要预测位置之外，还要附带预测一个confidence值。每个网格还要预测C个类别的分数
  

网络结构

损失函数

YOLOv2

YOLOv2的尝试：

• Batch Normalization

• High Resolution Classifier

• Convolutional With Anchor Boxes
  

• Dimension Clusters聚类

• Direct location prediction

• Fine-Grained Features

  引入passthrough layer，将低层的feature与高层的进行拼接
  

• Multi-Scale Training

  每经过10个batches网络会随机选择新的图像输入尺寸，增加了网络在处理不同尺寸大小图片时的鲁棒性。
  

YOLOv3 SPP

• Mosaic图像增强

• SPP模块
  

• CIOU Loss

  GIoU、DIoU、CIoU

  一个优秀的回归定位损失应该考虑到3种几何参数：
  重叠面积 中心点距离 长宽比
  $$\begin{gathered} CIoU=IoU-\left(\frac{{\rho }^2\left(b,b^{gt}\right)}{c^2}+\alpha v\right) \\ v=\frac{4}{{\pi }^2}{\left(\arctan \frac{w^{gt}}{h^{gt}}-\arctan \frac{w}{h}\right)}^2 \\ \alpha =\frac{v}{(1-IoU)+v} \\ {L}_{CIoU}=1-CIoU \end{gathered}$$

• Focal Loss

  Focal loss主要是为了解决one-stage目标检测中正负样本比例严重失衡的问题。该损失函数降低了大量简单负样本在训练中所占的权重
  $$\begin{gathered} 二分类交叉熵损失：\mathrm{C}\mathrm{E}(p,y)=\{\begin{array}{ll}-\log (p)& \text{ if }y=1\\ -\log (1-p)& \text{ otherwise }\end{array} \\ 为了方便，用p_t表示样本为trueclass的概率 \\ 则p_{\mathrm{t}}=\{\begin{array}{ll}p& \text{ if }y=1\\ 1-p& \text{ otherwise }\end{array} \\ \mathrm{C}\mathrm{E}(p,y)=\mathrm{C}\mathrm{E}\left(p_{\mathrm{t}}\right)=-\log \left(p_{\mathrm{t}}\right) \\ 引入调制系数(1-p_t{)}^{\gamma }\mathrm{F}\mathrm{L}\left(p_{\mathrm{t}}\right)=-{\left(1-p_{\mathrm{t}}\right)}^{\gamma }\log \left(p_{\mathrm{t}}\right) \end{gathered}$$
  两个重要性质：

  • 当一个样本被分错的时候，pt是很小的，那么调制因子（1-Pt）接近1，损失不被影响；当Pt→1，因子（1-Pt）接近0，那么分的比较好的（well-classified）样本的权值就被调低了。因此调制系数就趋于1，也就是说相比原来的loss是没有什么大的改变的。当pt趋于1的时候（此时分类正确而且是易分类样本），调制系数趋于0，也就是对于总的loss的贡献很小
  • 当γ=0的时候，focal loss就是传统的交叉熵损失，当γ增加的时候，调制系数也会增加。 专注参数γ平滑地调节了易分样本调低权值的比例。γ增大能增强调制因子的影响，实验发现γ取2最好。直觉上来说，调制因子减少了易分样本的损失贡献，拓宽了样例接收到低损失的范围。当γ一定的时候，比如等于2，一样easy example(pt=0.9)的loss要比标准的交叉熵loss小100+倍，当pt=0.968时，要小1000+倍，但是对于hard example(pt < 0.5)，loss最多小了4倍。这样的话hard example的权重相对就提升了很多