目標檢測之two stage方法

• 對基于two stage目標檢測的認識
• • R-CNN詳細介紹
  • • step1:生成大量候選區域
    • step2:提取特征
    • step3:特征送入分類器，判定類別
    • step4: 使用回歸器精細修正候選框位置
    • R-CNN存在的缺點
  • Fast R-CNN詳細介紹
  • • 訓練步驟
    • 測試步驟
    • 存在的缺點

對基于two stage目標檢測的認識

圖像分類的基礎上，要解決的核心問題是：

目標可能出現在圖像中的任何位置

目標的不同大小

目標的不同形狀
而Two stage目標檢測的大致思路為：

對整張圖像進行區域生成(region proposal)

通過卷積神經網絡對生成的區域進行目標分類

對目標進行定位/回歸
常見的two stage目標檢測算法有：R-CNN、SPP-Net、Fast R-CNN、Faster R-CNN和R-FCN等

R-CNN詳細介紹

創新點：

使用CNN對候選框計算feature vectors。從傳統的經驗驅動特征(SIFT、HOG)到數據驅動特征(CNN feature map)，提高特征的樣本的表示能力

采用預訓練權重和小樣本微調解決小樣本難以訓練和過擬合的問題

大致過程：

對一整張圖像生成1K~2K個候選區域(使用SS算法，下面會詳細介紹)

對每個候選區域，送入神經網絡提取特征

將生成的特征送入SVM分類器，判別是否屬于該類

使用回歸器精細修正候選框位置

step1:生成大量候選區域

參考博文https://blog.csdn.net/yuanlulu/article/details/82157071
SS算法參考博文

SS算法主要思想：

采用過分割手段，將圖像分割成小區域

通過顏色直方圖，梯度直方圖相近等規則合并

生成1K~2K個建議框

step2:提取特征

對每個建議框輸出的圖像統一縮放一個尺寸

對每個建議框送入CNN神經網絡中提取特征

這里的神經網絡可以使用加載的預訓練模型(以Alex Net為例)

獲取到4096維的特征，得到2000x4096維矩陣

step3:特征送入分類器，判定類別

將得到的2000x4096維特征矩陣與20個svm組成的權值矩陣4096x20，相乘。獲得2000x20維矩陣。

2000x20維矩陣表示每個建議框是某個類別的得分

分別對2000x20維矩陣的每一列即每一類進行非極大值抑制(NMS)剔除重疊建議框，得到該類中得分最高的一些建議框。

• 非極大值抑制提出重疊框做法
• 尋找得分最高的目標框
• 計算其他目標與該目標的iou值
• 刪除所有iou值大于給定閾值的目標，重復操作2、3步

step4: 使用回歸器精細修正候選框位置

對NMS處理后剩余的建議框進一步篩選。即再用20個svm分類器進行回歸操作，最終得到得分最高的bounding box

R-CNN存在的缺點

測試速度慢

訓練速度滿

所需空間大

Fast R-CNN詳細介紹

算法流程大致分為3個步驟

一張圖像生成1K~2K個候選框(使用SS算法)

將原始圖像輸入神經網絡得到相應的特征圖，將SS算法生成的候選框位置投影到特征圖上獲得每個候選框對應的特征圖。

每個特征矩陣通過ROI Pooling層縮放到7x7大小的特征圖，最后將特征圖通過一系列全連接層得到預測結果

訓練步驟

輸入224*224大小的圖片，經過卷積層1->降采樣層->卷積層2->降采樣層->卷積層3->卷積層4->卷積層5->ROI Pooling

將Conv5的輸出(feature map)和region proposal(共有2K，采用SS算法生成。為加快訓練對1張圖使用64個)送入ROI Pooling

ROI Pooling ->FC(4096) -> FC(4096) - >{并列：FC(Dropout=21)，FC(Dropout=84)}

并列的兩個FC層：

• 用于softmax代表分類輸出(輸出N+1個類別{N是類別概率，1是背景概率})，
  eg：20+1
• 用于輸出邊界框回歸參數(輸出N+1個類別對應的4個位置回歸參數{共 (N+1)x4個節點})，
  eg：(20+1)x4=84

對應的損失函數由兩部分組成：

• 分類損失：L_cls(p,u) = -logP_u
• 邊界框回歸損失：$\lambda$[$\mu$ $?$ 1 ]L_loc($t^{\mu }$,$\upsilon$)

測試步驟

與訓練過程類似，最后的兩個loss層改為一個softmax層，對每個類別使用NMS。

存在的缺點

生成RP(region proposal)仍舊使用SS算法比較耗時，占用內存較大

無法實現端到端的訓練測試

總結

以上是生活随笔為你收集整理的目标检测之Two Stage的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。