深度学习中目标检测Object Detection的基础概念及常用方法

目录

• 关键术语
• 方法
  • two stage
  • one stage
• 共同存在问题
  • 多尺度
  • 平移不变性
  • 样本不均衡
• 各个步骤可能出现的问题
  • 输入：
  • 网络：
  • 输出：
  • 参考资料

What is detection?

• detection的任务就是classification+localization

cs231n 课程截图

从左到右：语义分割semantic segmentation，图片分类classification，目标检测detection，实例分割instance segmentation

关键术语

• ROI Region Of Interest 感兴趣区域，通常可以理解成图片中可能是物体的区域。 输入图片可以预先做一些标记找到候选框 proposal

• bounding box 在localization任务里的概念， 即给出物体在图片中的定位区域
  • 一般表示为 (top, left, bottom, right) or (left, top, right, bottom). (left, top)为bbox左上角的坐标，(right, bottom)为右下角的坐标

• IoU Intersection of Union 定义两个bbox的重叠程度 = (A交B) / (A并B) ，用于评价算法结果和人工标注(ground-truth)的差别

方法

two stage

将问题分两个阶段解决：首先从原图选出一系列候选框(object proposal)作为图中各个物体可能的bbox；然后将这些候选框输入到网络中，得出框的分类结果(多分类，是哪一类物体or背景?)和框的回归结果(坐标定位的准确值)

R-CNN

在第一阶段使用selective search这类region proposal method来得出一系列proposal；阶段二将每个region proposal分别输入到CNN网络中，提取出特征向量，然后交给SVM分类器。

• 因为是将proposal分别输入到网络，也就是针对各个region进行分类和回归，因此称为Region-based CNN

• 局限在于涉及很多重复计算（选出来的region很可能一大部分都是互相重叠的）；而且selective research的效率不高

Fast R-CNN

在阶段二，针对R-CNN将每个proposal分别输入到网络带来的许多重复计算做出改进，提出直接将整张图输入到网络，只是在分类之前添加ROI pooling层，将阶段一提取出来的proposal(也就是ROI)映射到特征图中【注意阶段一提出来的proposal坐标是在原图坐标系下，因此还包括一个从原图尺度到当前特征图尺度的转换，一般是乘上缩放倍数】。

另一方面，Fast R-CNN也简化了整体的训练过程，不同于R-CNN将提取特征的网络、SVM分类、bbox回归看做三个独立的训练阶段，Fast R-CNN通过在网络中添加分类损失softmax loss和回归损失regression loss，结合两个损失(一般是加权求和)，得到multi-task的loss，用其训练网络，使训练过程简化为只有一个阶段。

Faster R-CNN

Fast R-CNN提高了效率，但在阶段一仍然使用的是selective search之类的方法，阶段一和阶段二之间是分离的，这意味着训练的时候并不能做到端到端(end to end)的训练，换句话说，如果阶段一出现了错误导致阶段二表现不好，这个不好的结果无法在训练的时候回传到阶段一去使其做出调整。

因此Faster R-CNN提出了RPN(Region Proposal Network)，将阶段一提取proposal的任务也用一个网络来解决，并且让阶段一和阶段二的网络共享一部分权值，从而节省了许多算力。

Faster R-CNN architecture

Faster R-CNN = RPN + Fast R-CNN

图中可以看出RPN 与 Fast R-CNN 两个网络共享了用来提取特征的卷积层，而得出特征图之后，RPN继续生成proposal，将RPN的输出与之前提取的特征图通过ROI pooling之后，作为Fast R-CNN后续部分的输入，得到分类结果与回归结果

RPN

RPN做的事情只是先粗略地提取出一堆候选框，通过网络进行分类（二分类，是物体or背景?）以及回归，得到较为准确的候选框，然后送入Fast RCNN进行更细致的分类与回归

提出概念anchor：

• anchor是在原图上的

• anchor以特征图上每个像素为中心，假设RPN的最后一层特征图尺寸为 f * f，原图的尺寸为 n * n，则anchor其实就是在原图 n * n上均匀地采 f * f个候选框，该候选框的面积和长宽比例是预定义的（anchor的参数）

• anchor可以理解为 从特征图上的一点 s ，对应回原图的区域 S，注意这里的对应区域并不等于感受野。

• 同一个中心点，可以有多种形状\面积的anchor，代表着不同形状/面积的区域。

• 判断anchor是否属于物体，其实就是看在原图的区域里是否包含有物体，如果只有一部分的物体，则可能说明anchor取的面积比较小

• 换句话说，anchor其实就是对ground-truth bbox的一个encode。一张原图上分布有多个anchor，如果某一区域有ground-truth的bbox，它的类别标签是c，则与这个区域交叠的anchor，其分类目标应该为类别c，其回归目标应该为与ground-truth bbox的offset。

one stage

直接在整张图片上采样一系列的候选框

• 二者的区别，两阶段的方法中，对于稀疏的候选框集进行分类；单阶段则是将分类器应用到对原图进行常规地、稠密地采样得到的候选框集。

  • 什么叫单阶段是常规地采样？因为两阶段的方法中，有一些可能会使用learning的方法进行采样，而单阶段则可能直接根据预先定义好的anchor数量尺寸等参数 在原图均匀地采样

共同存在问题

多尺度

不同物体有不同种尺寸，有的网络可能比较倾向于检测出大尺寸的物体(在图像中占面积比较大)，而难以应对小物体

image pyramid

将同一张输入图像resize为多种尺寸，然后分别输入到网络中，将检测结果综合起来

feature pyramid

只用一张输入图像，但使用网络中来自不同层的特征图（不同层则意味着特征图尺寸不同），分别进行分类和回归，将结果综合起来

平移不变性

样本不均衡

---

各个步骤可能出现的问题

输入：

• 输入图片可能是多尺度的

  • 输入的图片可能是同一张图的不同缩放版本，有的早期网络只能接受固定尺寸的输入，因而需要对图片进行剪裁、拉伸、压缩等操作来满足尺寸要求

• 由于一张图片中可能有多个物体，因此大多数方法都可以理解成，将一张图片切分成多张子图，分别输入到网络中

网络：

• 正负样本不均衡 class imbalance between positve and negtive

  • 训练时，正样本（物体）远少于负样本（背景）的个数，这在one-stage的方法中非常常见，因为one stage是进行稠密地采样得到候选框

  • 解决方法：

    • hard negative mining，计算分类损失的时候，只用正样本和一部分的负样本来算loss，这些被选取的负样本 分类到背景的置信度较低（也就是分类正确的置信度较低），称为“难负样本”

    • focal loss，认为应该让所有样本都参与到分类损失的计算中，根据分到正确类别的置信度来调整权重，也就是说，那些 易分的样本（分到正确类别的置信度较高）权重则相应调低，难分的样本（分到正确类别的置信度较低） 权重则相应调高。

    • ...

• ROI pooling，两个作用：

  • 将ROI从原图映射到feature map上，从而只需将一整张原图输入到网络，而不是将原图中不同的ROI分别输入网络；

  • 将不同的ROI都pooling成固定的尺寸，也就是使得不同大小的ROI通过池化输出固定尺寸的特征向量，便于后续的分类与回归

• anchor

  • 某类方法会使用，预先定义好候选框的尺寸和比例，训练时需要encode ground-truth bbox为anchor的形式，regression分支的target是offset between anchor and ground-truth bbox，对于输出需要decode anchor为最终预测的bbox位置(其实就是加上offset)

输出：

• NMS 非极大值抑制

  • 可能一个物体的实际bbox，周围有好几个候选框都被检测出来，也就是对应着好几个检测结果，这时需要根据 confidence (理解为分类得分) 抑制那些非最大值，只保留confidence高的检测结果

• 评判标准

  • TP，FP计算precision 和 recall

  • mAP， mean average precision，VOC的11-point方法，取不同的threshold，计算precision和recall，画出P-R curve

---

参考资料

2D 总结　https://zhuanlan.zhihu.com/p/34142321

https://zhuanlan.zhihu.com/p/34179420　模型的评测与训练技巧

https://blog.csdn.net/JNingWei/article/details/80039079 他人总结的 框架图的形式解释各个类别