目标检测算法 2020_【目标检测】One-stage目标检测算法

原文 | One-stage object detection

中文 | 小小将：深入理解one-stage目标检测算法

今天看了上面这篇专栏文章，收获颇丰，整理一下要点。

【目录】

• 1. One-stage目标检测算法流程
  • 为什么要对检测器实施约束？
• 2. anchor是什么？有什么作用？
• 3. 选择先验框的策略
  • 3.1 yolo选择先验框的策略
  • 3.2 SSD选择先验框的策略
• 4. 怎样由最后的feature map转换成bbox的？
  • 四个坐标值
  • 20个类别概率
  • 一个置信度
• 5. 网络是怎样学习的？
  • 5.1 卷积预测
  • 5.2 损失函数的设计
  • 5.3 使用优化器来训练
  • 5.4 训练策略&技巧

1. One-stage目标检测算法流程

输入： VOC数据集的一张图片（20个类别），输入尺寸设置为416×416，（SSD是300×300）

输出：13×13×125特征图（降采样了32倍，416/32=13）

【Attention】一般来说，如果数据集有c类，而模型有k个检测器(k是特征图上每个位置anchor的数量)，那么网格需要有k×（4+1+c）个输出通道。

图1

最后得到的13×13特征图可以看成是13×13个单元格，每个单元格都有5个独立的物体检测器（anchor的k=5），每个检测器都预测一个边界框。

检测器的位置是固定的，它只能检测中心点落在该单元内的物体（这一限制是为了保证检测器不发生混乱，所以加以约束）。每个检测器产生25个值：

• 20个值表征类别概率（使用softmax可以获取该检测器中目标所属的类别，也可以使用sigmoid进行多标签分类）
• 1个值表示置信度（表明该检测器包含目标的可能性，介于0-1之间）
• 4个值表示边界框坐标

由于每个单元格都有5个检测器，因此共有5×25=125个输出通道。

该模型总是预测固定数量的边界框：13×13个单元乘以5个检测器给出845个预测结果。显然，绝大多数的预测框都是无用信息。可以通过置信度来忽略掉一些预测框，再使用NMS可以去除重叠框。

为什么要对检测器实施约束？

为了让模型更容易学习，将每个检测器分配到图像中的固定位置去学习，每个检测器只负责学习附近的物体，而不会预测较远的问题，是onet-stage目标检测算法的技巧。（如果没有这样的约束，所有检测器都会在整张图中去预测，很容易出现混乱）

2. anchor是什么？有什么作用？

上面的分析可知，网格的划分对检测框的位置进行了约束，那么，是否可以对检测框的形状也进行约束呢？答案是肯定的。这就是anchor的任务。

anchor是提前设定好的一系列检测框（大小和尺寸都是提前定好了的），我们称为先验框，我们的检测器去学习任意形状或大小的物体或许很难，检测器仅预测相比先验框的偏移值，训练更容易，因为预测值全为零时等价于输出先验框，平均上更接近真实物体。如果没有先验框，每个检测器都必须从头开始学习不同的边界框形状，这相当困难。

3. 选择先验框的策略

先验框只是一个高度和宽度列表，在前面说了，每个网格单元预测5个先验框，这5个先验框分别使用不同的大小和长宽比，这样就可以尽可能的覆盖多种形状的目标。先验框数量和形状的选取规则是什么呢？

3.1 yolo选择先验框的策略

yolo系列通过在所有训练图像的所有边界框上进行k-means聚类来选择先验框（k=5，因此它找到五个最常见的物体形状）。因此，YOLO的先验框适合当前训练（和测试）的数据集。k-means算法中数据点是数据集中所有真实边界框的宽度和高度值。如果我们在Pascal VOC数据集的框中运行k-means，将得到5个簇：（k选为5并不是因为它效果最好，而是速度和精度之间折中的结果）

（PS：本文说的yolo普遍指yolo-v3）

图2

3.2 SSD选择先验框的策略

SSD不使用k-means来确定先验框。SSD在六个不同尺度（38*38、19*19、10*10、5*5、3*3、1*1）的特征图上都选取了先验框，在不同特征图上，每个网格单元选取的先验框数量是不同的（分别为4、6、6、6、4、4），对于先验框的尺寸，是使用数学公式计算得到的。因此SSD的先验框与数据集无关（SSD称它们为“default boxes”）。

另一个小差异是：YOLO的先验框只是宽度和高度，但SSD的先验框也有x，y位置。其实，YOLO也包含位置，只是默认先验框位置始终位于网格单元格的中心（对于SSD，先验框也是在网格中心）。

4. 怎样由最后的feature map转换成bbox的？

对于网络输出的13×13×125特征图，我们要将它们转换成边界框。

从图1可以看出，对于一个检测框，它的输出对应到特征图上就是橙色那一条线，有25个输出值：

4.1 四个表示坐标值

网络输出的不是绝对坐标，而是相对于先验框的4个偏移，通常为（delta_x, delta_y,delta_w, delta_h）的形式，前两个表示检测框中心与先验框中心点的偏移（先验框的中心点就是网格单元的中心），后两个表示检测框的宽高相对于先验框的缩放值。所以，要将这个坐标映射回真实图像中：

真实宽度box_w[i, j, b] = anchor_w[b] * exp(delta_w[i, j, b]) * 32

真实高度box_h[i, j, b] = anchor_h[b] * exp(delta_h[i, j, b]) * 32

这里的i，j表示网格单元的序号（第几行第几列），b表示检测器的序号（对于每个网格单元，有5个检测器）。若delta_w>0，那么exp(delta_w)大于1，此时预测框比先验框大。特别地，delta_w=0，那么exp(delta_w)为1，此时预测框与先验框一样大小。顺便说一下，这里之所以要乘以32是因为先验框坐标是13x13网格上的，网格上各个像素点等价于原始416x416图像上的32个像素点。

对于真实位置的计算，yolo和SSD算法不同，yolo如下：

真实位置x box_x[i, j, b] = (i + sigmoid(delta_x[i, j, b])) * 32

真实位置y box_y[i, j, b] = (j + sigmoid(delta_y[i, j, b])) * 32

SSD为：

真实位置x box_x[i, j, b] = (anchor_x[b] + delta_x[i, j, b]*anchor_w[b]) * image_w

真实位置y box_y[i, j, b] = (anchor_y[b] + delta_y[i, j, b]*anchor_h[b]) * image_h

区别主要在两点：

1. yolo使用了sigmoid函数，将delta_x和delta_y限制在0~1之间，保证检测器只预测中心点在该单元格中的物体。而SSD中，物体的中心可以落在单元格的外面。
2. SSD预测的坐标是相对于先验框中心而不是单元格中心。实际上一般情况下两个中心是重合的，但是SSD和YOLO采用的坐标系不一样。SSD的先验框坐标是归一化到[0,1]，这样它们独立于网格大小，yolo的先验框坐标是网格的坐标（没有归一化）（SSD之所以这样是采用了不同大小的网格）

【Attention】

只有在预测的时候，才需要将预测框的坐标映射回原图。在训练的时候，是将ground truth通过log运算也转换为相对于先验框的偏移值，两个偏移值在做loss。

4.2 20个表示类别概率

对于每个检测框，网络为其输出了20个类别值（对于VOC数据集），这个值需要经过softmax或者sigmoid得到概率分布，使用sigmoid时变成了一个multi-label多标签分类器，每个预测框可以同时有多个类别，YOLOv3使用的就是sigmoid。

4.3 一个置信度

对于yolo，除了坐标之外，模型每个边界框预测了一个置信度，一般采用sigmoid函数得到0~1的概率值。

对于SSD，没有预测置信度，而是给分类器增加了一个特殊的类：背景。如果分类结果是背景，那么意味着检测器没有找到物体，这实际上等价于YOLO给出一个较低的置信度。

5. 网络是怎样学习的？

5.1 卷积预测

13×13的网格是卷积层得到的. 卷积实际上是在整个输入图像上以较小的窗口（卷积核）进行滑动，卷积核在每个位置是共享的。我们的样例模型最后的卷积层包含125个卷积核。

这125个卷积核在13×13特征图中的每个位置上滑动，并在每个位置上进行预测。然后，我们将这125个数字解释为5个预测边界框。最初，在每个网格位置预测到的125个数字将是完全随机和无意义的，但是随着训练，损失函数将引导模型学习做出更有意义的预测。

尽管每个网格单元中有5个检测器，但对于845个检测器来说，这个模型实际上只学习了总共5个检测器，而不是每个网格单元都学习5个唯一的检测器。这是因为卷积层的权重在每个位置都相同，因此在网格单元之间共享。但模型为每个先验框学习一个检测器，它们在图像上滑动，以获得845个预测值，网格上每个位置有5个。因此，尽管我们总共只有5个独特的检测器，但由于卷积的缘故，这些检测器与它们在图像中的位置无关，因此无论它们位于何处，都可以检测到物体。每个位置的输入像素与检测器所学习到的权重，决定了该位置的最终边界框预测。

这也解释了为什么模型总是预测边界框相对于网格单元中心的位置。由于该模型具有卷积性质，无法预测绝对坐标，而卷积核在图像上滑动，因此它们的预测总是相对于在特征图中的当前位置。

为了使得网络的输出接近我们想要的结果，需要设计一个损失函数，将预测框与真实框进行比较。

5.2 损失函数的设计

需要将ground truth与检测器进行匹配，常用的匹配策略是：当检测器与ground truth的IOU大于一个阈值时，就给该检测器分配一个正类标签，类别为ground truth的物体类别。一个ground truth可以分配给多个检测器，但是一个检测器只能与一个ground truth匹配（如果检测器与多个ground truth的IOU都超过了阈值，选IOU最大的那个ground truth进行匹配）。

与ground truth成功匹配的检测器为正例，与所有ground truth都没匹配上的检测器就是负例。

根据网络输出的三部分：分类概率、置信度、坐标，我们设计的损失函数也要能覆盖这三个方面，即在：分类错误、置信度太低、坐标偏差的时候，需要使用损失函数来惩罚。

（1）对于负例

损失函数仅包含置信度，因为没有真实框，所以不需计算类别损失和坐标损失。我们希望负例的置信度尽可能低（置信度表示检测器是否认为有一个物体的中心在这个网格单元中），理想的置信度应该为0.

SSD没有置信度损失，因为它将背景作为一个特殊的类来处理。如果预测的是背景类，那个检测器被认为没有检测到物体。

（2）对于正例

对于yolo，有三部分loss：

置信度loss+分类loss+坐标loss，其中坐标loss权重最大。（平方和误差（sum-squared error，SSE））

对于SSD，有两部分loss：（MultiBoxLoss）

分类loss+坐标回归loss（分别使用的是softmax loss和Smooth L1 loss）

5.3 使用优化器来训练

选择SGD对模型进行训练。

5.4 训练策略&技巧

• 难例挖掘（Hard negative mining）。前面已经说过大部分检测器是不负责检测任何物体的。这意味着正例数量要远少于负例。YOLO采用一个超参数no_object_scale 来处理这种情况，但是SSD采用难例挖掘：它不是计算所有负例的损失，而是只计算那些预测结果最错的部分损失（即置信度较高的负例）。