目标检测发展路程(一)——Two stage
目標(biāo)檢測(cè)是計(jì)算機(jī)視覺領(lǐng)域中非常重要的一個(gè)研究方向，它是將圖像或者視頻中目標(biāo)與其他不感興趣的部分進(jìn)行區(qū)分，判斷是否存在目標(biāo)，確定目標(biāo)位置，識(shí)別目標(biāo)種類的任務(wù)，即定位+分類。傳統(tǒng)的目標(biāo)檢測(cè)模型有VJ.Det[1,2],HOG.Det[3],DPM[4,5,6]，直到2012年，CNN模型日益成熟化，以深度學(xué)習(xí)為基礎(chǔ)的目標(biāo)檢測(cè)模型開始發(fā)展，主要分為單階段模型（One stage）和兩階段模型（Two stage），發(fā)展路徑如下：
目標(biāo)檢測(cè)也面臨許多挑戰(zhàn)：
- 環(huán)境影響
- 密集
- 遮擋
- 重疊
- 多尺度：大目標(biāo)、小目標(biāo)
- 小樣本
- 旋轉(zhuǎn)框
目標(biāo)檢測(cè)也細(xì)分了很多領(lǐng)域
- 通用檢測(cè)：
- 行人檢測(cè)：行人違規(guī)檢測(cè)
- 車輛檢測(cè)：車輛違規(guī)檢測(cè)、車輛牌照識(shí)別等
- 人臉檢測(cè)：人臉口罩檢測(cè)，人臉識(shí)別打卡等
- 文字檢測(cè)：OCR（光學(xué)字符識(shí)別）的文本檢測(cè)，常見算法：DBNet
1、常見術(shù)語介紹
（1）BBox（邊界框）
BBox：Bounding Box，邊界框，邊界框分為兩種：Groud-truth（真實(shí)框，也簡(jiǎn)稱gt_box）和prediction box（預(yù)測(cè)框，也簡(jiǎn)稱pred_box），使用邊界框（bounding?box）來表示物體的位置，邊界框是正好能包含物體的矩形框，通常有兩個(gè)格式
-
（x1,y1,x2,y2）
?? ?? ? （x1,y1）是矩形框的左上角的坐標(biāo)，（x2,y2）是矩形框的右上角的坐標(biāo)。
-
?（x ,y ,w ,h ）
? ? ? ? ? (x,y)是矩形框中心點(diǎn)的坐標(biāo)，w ww是矩形框的寬度，h hh是矩形框的高度。
（2）Anchor（錨框）
錨框與物體邊界框不同，是由人們假想出來的一種框。先設(shè)定好錨框的大小和形狀，再以圖像上某一個(gè)點(diǎn)為中心畫出矩形框, 將這些錨框當(dāng)成可能的候選區(qū)域。
（3）RoI（Region of Interest）：特定的感興趣區(qū)域
（4）Region Proposal ：候選區(qū)域
（5）RPN（Pegion Proposal Network）：區(qū)域生成網(wǎng)絡(luò)，用于生成候選區(qū)域的網(wǎng)絡(luò)。
（6）IoU（Intersaction over Union）
在檢測(cè)任務(wù)中，使用交并比（Intersection of Union，IoU）作為衡量指標(biāo)。這一概念來源于數(shù)學(xué)中的集合，用來描述兩個(gè)集合A AA和B BB之間的關(guān)系，它等于兩個(gè)集合的交集里面所包含的元素個(gè)數(shù)，除以它們的并集里面所包含的元素個(gè)數(shù)，具體計(jì)算公式如下：
我們將用這個(gè)概念來描述兩個(gè)框之間的重合度。兩個(gè)框可以看成是兩個(gè)像素的集合，它們的交并比等于兩個(gè)框重合部分的面積除以它們合并起來的面積。
（7）mAP
AP（Average Precision）是某一類以Precision、Recall為縱、橫坐標(biāo)的曲線下的面積，mAP（mean Average Precision）是所有類別AP平均。
（8）NMS
搜索局部最大值，抑制極大值。
2、深度學(xué)習(xí)的目標(biāo)檢測(cè)方案
在Ross Girshick等人提出DPM方法后，目標(biāo)檢測(cè)進(jìn)入瓶頸期，圖像特征提取成為難點(diǎn)，隨著CNN的發(fā)展，也開始嘗試將神經(jīng)網(wǎng)絡(luò)加入到目標(biāo)檢測(cè)任務(wù)中。該圖是幾個(gè)模型的差異對(duì)比：
?（1）R-CNN
R-CNN的全稱是Region-CNN，是第一個(gè)成功將深度學(xué)習(xí)應(yīng)用到目標(biāo)檢測(cè)中的算法，傳統(tǒng)的目標(biāo)檢測(cè)方法是在圖片上窮舉出所有物體可能出現(xiàn)的區(qū)域框，對(duì)這些區(qū)域提取特征并進(jìn)行分類，得到所有分類成功的區(qū)域，通過非極大值抑制（Non-maximum suppression）輸出結(jié)果。R-CNN的實(shí)現(xiàn)步驟是
-
采用提取框（Selective?Search）：搜索候選區(qū)域，并對(duì)候選區(qū)域提取特征，并將提取到的特征存儲(chǔ)起來。
-
對(duì)每個(gè)框提取特征（CNN）：在數(shù)據(jù)集上訓(xùn)練CNN，R-CNN論文中使用的網(wǎng)絡(luò)是AlexNet，數(shù)據(jù)集是ImageNet，在目標(biāo)檢測(cè)的數(shù)據(jù)集上，對(duì)訓(xùn)練好的CNN做微調(diào)。
-
圖像分類（SVM）：使用分類模型SVM進(jìn)行訓(xùn)練
-
邊框回歸：通過非最大抑制策略對(duì)同一類別的ROI（region of interest）進(jìn)行合并得到最終的檢測(cè)結(jié)果，即得到每個(gè)矩形框的置信度。
不足：
- 每個(gè)候選區(qū)域都需要通過CNN計(jì)算特征，計(jì)算量大
- Selective Search提取的區(qū)域質(zhì)量不夠好
- 特征提取、SVM分類器是分模塊獨(dú)立訓(xùn)練的，沒有聯(lián)合起來系統(tǒng)性優(yōu)化，訓(xùn)練耗時(shí)長
（2）Fast R-CNN
在改進(jìn)Fast R-CNN之前，有一個(gè)版本是SPPNet（Spatial?Pyramind?Pooling?Convolutional?
Networks），將CNN的輸入從固定尺寸改進(jìn)為任意尺寸，加入ROI池化層（即對(duì)ROI的區(qū)域進(jìn)行池化），使得網(wǎng)絡(luò)的輸入圖像可以是任意尺寸，輸出則不變，是固定維數(shù)的向量。
Fast?R-CNN在SPPNet的基礎(chǔ)上，將?SVM分類改成了神經(jīng)網(wǎng)絡(luò)進(jìn)行分類，全連接層有兩個(gè)輸出，一個(gè)輸出負(fù)責(zé)分類（softmax），另一個(gè)輸出負(fù)責(zé)框回歸（bbox?regressor）。
最終得到兩個(gè)結(jié)果：softmax分類以及L2回歸，損失函數(shù)是分類和回歸的加權(quán)和。
不足：
- 仍用Selective Search提取候選區(qū)域
ROI Pooling的不足：
- 在候選框的位置和提取特征時(shí)兩次取整，會(huì)導(dǎo)致檢測(cè)信息和提取出的特征不匹配
（3）Faster R-CNN
為了解決Selective Search帶來的耗時(shí)問題，Faster R-CNN引用了RPN來進(jìn)行候選區(qū)域的提取，RPN是一個(gè)全卷積神經(jīng)網(wǎng)絡(luò)（Fully Convolutional Network），輸入是前一層任意大小的特征圖，輸出是一系列的矩形目標(biāo)候選區(qū)，在卷積神經(jīng)網(wǎng)絡(luò)的最后一個(gè)特征層上滑動(dòng)。
?為了適應(yīng)多種形狀的物體，RPN定義了k種不同尺度的滑窗，并將這些滑窗成為anchor，在Faster R-CNN論文中，用了9種anchor。
在分類任務(wù)中，需計(jì)算每個(gè)anchor和真實(shí)標(biāo)記矩形框gt_box的IOU
- 當(dāng)IOU>0.7時(shí)，認(rèn)為該anchor包含目標(biāo)物體，為正樣本
- 當(dāng)IOU在0.3-0.7之間時(shí)，不參與網(wǎng)絡(luò)訓(xùn)練的迭代過程
- 當(dāng)IOU<0.3時(shí)，認(rèn)為該anchor不包含目標(biāo)物體，為負(fù)樣本
在回歸任務(wù)中，需計(jì)算anchor和gt_box的橫、縱坐標(biāo)及寬高的偏移量,Loss函數(shù)的是通過smooth L1進(jìn)行計(jì)算的，公式為
ROI Align：消除ROI Padding的誤差
?在區(qū)域內(nèi)均勻的取N個(gè)點(diǎn)，找到特征圖上離每個(gè)點(diǎn)最近的四個(gè)點(diǎn)，再通過雙線性插值的方式，得到點(diǎn)的輸出值，最后對(duì)N個(gè)點(diǎn)取平均得到區(qū)域的輸出。
（4）進(jìn)階模型
- FPN（解決多尺度問題）
方案可以構(gòu)造多尺度金字塔，期望模型能夠具備檢測(cè)不同大小尺度物體的能力，具體方案如下圖：
- a是將特征縮放到不同尺度，使用多個(gè)模型進(jìn)行預(yù)測(cè)
- b是僅使用最后一層的特征作為檢測(cè)模型后續(xù)部分的輸入
- c是每個(gè)層級(jí)分別預(yù)測(cè)
- d是使用不同層級(jí)特征進(jìn)行融合，在分級(jí)預(yù)測(cè)（FPN）
FPN是以骨干網(wǎng)絡(luò)的輸出為輸入，將特征進(jìn)行上采樣并與上一層特征相加得到FPN結(jié)構(gòu)每一層的輸出，網(wǎng)絡(luò)結(jié)構(gòu)圖如下
在FPN結(jié)構(gòu)中，會(huì)存在多個(gè)ROI Align，將FPN的特征金字塔類比為圖像金字塔，可以通過面積來對(duì)候選框進(jìn)行分配。
- Cascade R-CNN（IoU）
Cascade R-CNN主要是對(duì)IoU指標(biāo)的改進(jìn)，IoU是計(jì)算兩個(gè)框之間的重疊區(qū)域，在模型中涉及到的細(xì)節(jié)有：一、計(jì)算基于Anchor和GT框的IoU值，二是基于預(yù)測(cè)框和真實(shí)框的IoU值。通過調(diào)整IoU的閾值并未對(duì)模型有較大提升，單一閾值訓(xùn)練的模型有限，因此，對(duì)模型進(jìn)行多Head改進(jìn)。
- Libra R-CNN
Libra R-CNN進(jìn)行三方面的改進(jìn)，分別是特征融合、采樣策略、損失函數(shù)。
?增強(qiáng)FPN的特征融合：
采樣策略：
Loss（Smooth L1 loss--->Balanced L1 loss）：
還有Mask R-CNN、RFCN、Light-Head R-CNN等模型的改進(jìn)
3、深度學(xué)習(xí)的目標(biāo)檢測(cè)實(shí)現(xiàn)
3.1. PaddleDetection的安裝和使用
（1）安裝
#下載PaddleDetection ! git clone https://github.com/PaddlePaddle/PaddleDetection #解壓 ! unzip -o PaddleDetection.zip #安裝cocoapi ! pip install "git+https://hub.fastgit.org/cocodataset/cocoapi.git#subdirectory=PythonAPI" #安裝需求包，在PaddleDetection路徑下 !pip install -r requirements.txt#配置環(huán)境變量 %env PYTHONPATH=.:$PYTHONPATH %env CUDA_VISIBLE_DEVICES=0#驗(yàn)證 ! python ppdet/modeling/tests/test_architectures.py（2）介紹
在PaddleDetection中實(shí)現(xiàn)目標(biāo)檢測(cè)、關(guān)鍵點(diǎn)檢測(cè)、實(shí)例分割等算法，具體模型如下：
?（3）模型包內(nèi)容拆解
核心文件有四個(gè)configs、dataset、demo、tools,?包含了數(shù)據(jù)集、測(cè)試、模型、訓(xùn)練整個(gè)過程，可以按需調(diào)整實(shí)現(xiàn)。
教程參考：飛槳AI Studio - 人工智能學(xué)習(xí)與實(shí)訓(xùn)社區(qū)
（4）實(shí)現(xiàn)
#運(yùn)行代碼---訓(xùn)練操作，并進(jìn)行驗(yàn)證集驗(yàn)證 ! python -u tools/train.py -c ../faster_rcnn_r34_1x.yml --eval其中，faster_rcnn_r34_1x.yml為配置文件，內(nèi)容如下
- 超參數(shù)配置
DataReader配置：
- image_dir: images 圖片路徑
- anno_path: Annotations/train_cpu.json 標(biāo)注文件
- dataset_dir: /home/aistudio/work/PCB_DATASET 數(shù)據(jù)路徑
其他模型實(shí)現(xiàn)步驟跟faster R-CNN相似！
2、torchvision實(shí)現(xiàn)（基于pytorch）
（1）安裝
直接用pip就能完成安裝操作，故忽略。
（2）實(shí)現(xiàn)（參考pytorch教程文檔）
import torchvision from torchvision.models.detection.faster_rcnn import FastRCNNPredictor from torchvision.models.detection.mask_rcnn import MaskRCNNPredictordef get_model_instance_segmentation(num_classes):# load an instance segmentation model pre-trained on COCOmodel = torchvision.models.detection.maskrcnn_resnet50_fpn(pretrained=True)# get number of input features for the classifierin_features = model.roi_heads.box_predictor.cls_score.in_features# replace the pre-trained head with a new onemodel.roi_heads.box_predictor = FastRCNNPredictor(in_features, num_classes)# now get the number of input features for the mask classifierin_features_mask = model.roi_heads.mask_predictor.conv5_mask.in_channelshidden_layer = 256# and replace the mask predictor with a new onemodel.roi_heads.mask_predictor = MaskRCNNPredictor(in_features_mask,hidden_layer,num_classes)return model（3）實(shí)現(xiàn)細(xì)節(jié)
- backbone：骨干網(wǎng)絡(luò)（提取圖片特征，基本是卷積神經(jīng)網(wǎng)絡(luò)），需要知道Module的out_channels
- rpn：區(qū)域預(yù)測(cè)網(wǎng)絡(luò)
- roi_heads：里邊的方法有RoI Pooling 轉(zhuǎn)成RoI Align。
- transform
總結(jié)
以上是生活随笔為你收集整理的目标检测发展路程(一)——Two stage的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： java 打印三维数组_Java基础第三
- 下一篇： 清除Tomcat日志