文章目錄

• • 目標(biāo)探測(cè)介紹
  • 任務(wù)
  • 思路
  • DPM
  • RCNN
  • 1）候選區(qū)域選擇
  • 2）CNN特征提取
  • 3）分類與邊界回歸
  • R-CNN總結(jié)
  • 優(yōu)點(diǎn)
  • 缺陷
  • FAST-RCNN
  • FASTER-RCNN
  • YOLO

目標(biāo)探測(cè)介紹

任務(wù)

分類+獲取坐標(biāo)
目標(biāo)探測(cè)
圖片分割

思路

回歸問(wèn)題：利用神經(jīng)網(wǎng)絡(luò)進(jìn)行目標(biāo)識(shí)別，同樣目標(biāo)變?yōu)樽鴺?biāo)值

該思路問(wèn)題：在位置嘗試識(shí)別，能夠完成識(shí)別的地方就是目標(biāo)位置
如何找到侯選位置？

假如你想構(gòu)建一個(gè)汽車檢測(cè)算法，步驟是，首先創(chuàng)建一個(gè)標(biāo)簽訓(xùn)練集，也就是x和y表示適當(dāng)剪切的汽車圖片樣本，這張圖片（編號(hào)1）x是一個(gè)正樣本，因?yàn)樗且惠v汽車圖片，這幾張圖片（編號(hào)2、3）也有汽車，但這兩張（編號(hào)4、5）沒(méi)有汽車。出于我們對(duì)這個(gè)訓(xùn)練集的期望，你一開(kāi)始可以使用適當(dāng)剪切的圖片，就是整張圖片x幾乎都被汽車占據(jù)，你可以照張照片，然后剪切，剪掉汽車以外的部分，使汽車居于中間位置，并基本占據(jù)整張圖片。有了這個(gè)標(biāo)簽訓(xùn)練集，你就可以開(kāi)始訓(xùn)練卷積網(wǎng)絡(luò)了，輸入這些適當(dāng)剪切過(guò)的圖片（編號(hào)6），卷積網(wǎng)絡(luò)輸出y，0或1表示圖片中有汽車或沒(méi)有汽車。訓(xùn)練完這個(gè)卷積網(wǎng)絡(luò)，就可以用它來(lái)實(shí)現(xiàn)滑動(dòng)窗口目標(biāo)檢測(cè)，具體步驟如下。

假設(shè)這是一張測(cè)試圖片，首先選定一個(gè)特定大小的窗口，比如圖片下方這個(gè)窗口，將這個(gè)紅色小方塊輸入卷積神經(jīng)網(wǎng)絡(luò)，卷積網(wǎng)絡(luò)開(kāi)始進(jìn)行預(yù)測(cè)，即判斷紅色方框內(nèi)有沒(méi)有汽車。

滑動(dòng)窗口目標(biāo)檢測(cè)算法接下來(lái)會(huì)繼續(xù)處理第二個(gè)圖像，即紅色方框稍向右滑動(dòng)之后的區(qū)域，并輸入給卷積網(wǎng)絡(luò)，因此輸入給卷積網(wǎng)絡(luò)的只有紅色方框內(nèi)的區(qū)域，再次運(yùn)行卷積網(wǎng)絡(luò)，然后處理第三個(gè)圖像，依次重復(fù)操作，直到這個(gè)窗口滑過(guò)圖像的每一個(gè)角落。

為了滑動(dòng)得更快，我這里選用的步幅比較大，思路是以固定步幅移動(dòng)窗口，遍歷圖像的每個(gè)區(qū)域，把這些剪切后的小圖像輸入卷積網(wǎng)絡(luò)，對(duì)每個(gè)位置按0或1進(jìn)行分類，這就是所謂的圖像滑動(dòng)窗口操作。

重復(fù)上述操作，不過(guò)這次我們選擇一個(gè)更大的窗口，截取更大的區(qū)域，并輸入給卷積神經(jīng)網(wǎng)絡(luò)處理，你可以根據(jù)卷積網(wǎng)絡(luò)對(duì)輸入大小調(diào)整這個(gè)區(qū)域，然后輸入給卷積網(wǎng)絡(luò)，輸出0或1。

再以某個(gè)固定步幅滑動(dòng)窗口，重復(fù)以上操作，遍歷整個(gè)圖像，輸出結(jié)果。

然后第三次重復(fù)操作，這次選用更大的窗口。

如果你這樣做，不論汽車在圖片的什么位置，總有一個(gè)窗口可以檢測(cè)到它。

比如，將這個(gè)窗口（編號(hào)1）輸入卷積網(wǎng)絡(luò)，希望卷積網(wǎng)絡(luò)對(duì)該輸入?yún)^(qū)域的輸出結(jié)果為1，說(shuō)明網(wǎng)絡(luò)檢測(cè)到圖上有輛車。

這種算法叫作滑動(dòng)窗口目標(biāo)檢測(cè)，因?yàn)槲覀円阅硞€(gè)步幅滑動(dòng)這些方框窗口遍歷整張圖片，對(duì)這些方形區(qū)域進(jìn)行分類，判斷里面有沒(méi)有汽車。

DPM

基本思想： 提取圖像特征，制作出激勵(lì)模版，在原
始圖像滑動(dòng)計(jì)算，得到激勵(lì)效果圖，根據(jù)激勵(lì)分布確定
目標(biāo)位置

產(chǎn)生多個(gè)模版，整體模版以及不同局部模版

不同模版同輸入圖片“卷積”產(chǎn)生特征圖

特征圖組合形成融合特征

對(duì)融合特征進(jìn)行傳統(tǒng)分類，回歸，得到目標(biāo)位置

優(yōu)點(diǎn):

方法直觀簡(jiǎn)單

運(yùn)算速度快

適應(yīng)運(yùn)動(dòng)物體變形
缺點(diǎn):

性能一般

激勵(lì)特征人為設(shè)計(jì)，工作量大

大幅度旋轉(zhuǎn)無(wú)法適應(yīng)，穩(wěn)定性差

RCNN

神經(jīng)網(wǎng)絡(luò)分類思想： 對(duì)多個(gè)位置，不同尺寸，用卷積神經(jīng)網(wǎng)絡(luò)判斷區(qū)域內(nèi)圖片是不是某物
候選位置(proposal)提出方法：EdgeBox
RCNN（Regions with CNN features）是將CNN方法應(yīng)用到目標(biāo)檢測(cè)問(wèn)題上的一個(gè)里程碑，由年輕有為的RBG大神提出，借助CNN良好的特征提取和分類性能，通過(guò)RegionProposal方法實(shí)現(xiàn)目標(biāo)檢測(cè)問(wèn)題的轉(zhuǎn)化。

算法可以分為四步：

1）候選區(qū)域選擇

Region Proposal是一類傳統(tǒng)的區(qū)域提取方法，可以看作不同寬高的滑動(dòng)窗口，通過(guò)窗口滑動(dòng)獲得潛在的目標(biāo)圖像，關(guān)于Proposal大家可以看下SelectiveSearch，一般Candidate選項(xiàng)為2k個(gè)即可，這里不再詳述；根據(jù)Proposal提取的目標(biāo)圖像進(jìn)行歸一化，作為CNN的標(biāo)準(zhǔn)輸入。

2）CNN特征提取

標(biāo)準(zhǔn)CNN過(guò)程，根據(jù)輸入進(jìn)行卷積/池化等操作，得到固定維度的輸出；

3）分類與邊界回歸

實(shí)際包含兩個(gè)子步驟，一是對(duì)上一步的輸出向量進(jìn)行分類（需要根據(jù)特征訓(xùn)練分類器）；二是通過(guò)邊界回歸（bounding-box regression) 得到精確的目標(biāo)區(qū)域，由于實(shí)際目標(biāo)會(huì)產(chǎn)生多個(gè)子區(qū)域，旨在對(duì)完成分類的前景目標(biāo)進(jìn)行精確的定位與合并，避免多個(gè)檢出。

R-CNN總結(jié)

優(yōu)點(diǎn)

CNN用于目標(biāo)探測(cè)，利用了CNN高效識(shí)別能力，大大提高性能

擺脫人為設(shè)計(jì)物品模版，方法具有通用性

分類＋回歸，有了找到精確位置的可能

缺陷

為了檢測(cè)一個(gè)目標(biāo)，所有候選區(qū)域計(jì)算，大量卷積運(yùn)算，非常慢

SVM訓(xùn)練與CNN斷裂，有效信息不能用于優(yōu)化模型，not end－to－end。

每一類單獨(dú)訓(xùn)練，異常繁瑣

FAST-RCNN

FASTER-RCNN

YOLO

總結(jié)

以上是生活随笔為你收集整理的卷积神经网络－目标探测的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。