深度学习（十九）基于空间金字塔池化的卷积神经网络物体检测-ECCV 2014
基于空間金字塔池化的卷積神經網絡物體檢測
原文地址：http://blog.csdn.net/hjimce/article/details/50187655
作者：hjimce
一、相關理論
? ?本篇博文主要講解大神何凱明2014年的paper：《Spatial Pyramid Pooling in Deep Convolutional?Networks for Visual Recognition》，這篇paper主要的創(chuàng)新點在于提出了空間金字塔池化。paper主頁：http://research.microsoft.com/en-us/um/people/kahe/eccv14sppnet/index.html? 這個算法比R-CNN算法的速度快了n多倍。
? ? 我們知道在現(xiàn)有的CNN中，對于結構已經確定的網絡，需要輸入一張固定大小的圖片，比如224*224，32*32,96*96等。這樣對于我們希望檢測各種大小的圖片的時候，需要經過裁剪，或者縮放等一系列操作，這樣往往會降低識別檢測的精度，于是paper提出了“空間金字塔池化”方法，這個算法的牛逼之處，在于使得我們構建的網絡，可以輸入任意大小的圖片，不需要經過裁剪縮放等操作，只要你喜歡，任意大小的圖片都可以。不僅如此，這個算法用了以后，精度也會有所提高，總之一句話：牛逼哄哄。
? ? 空間金字塔池化，又稱之為“SPP-Net”，記住這個名字，因為在以后的外文文獻中，你會經常遇到，特別是物體檢測方面的paper。這個就像什么：OverFeat、GoogleNet、R-CNN、AlexNet……為了方便，學完這篇paper之后，你就需要記住SPP-Net是什么東西了。空間金子塔以前在特征學習、特征表達的相關文獻中，看到過幾次這個算法。
? ?既然之前的CNN要求輸入固定大小的圖片，那么我們首先需要知道為什么CNN需要輸入固定大小的圖片？CNN大體包含3部分，卷積、池化、全連接。
首先是卷積，卷積操作對圖片輸入的大小會有要求嗎？比如一個5*5的卷積核，我輸入的圖片是30*81的大小，可以得到(26,77)大小的圖片，并不會影響卷積操作。我輸入600*500，它還是照樣可以進行卷積，也就是卷積對圖片輸入大小沒有要求，只要你喜歡，任意大小的圖片進入，都可以進行卷積。
池化：池化對圖片大小會有要求嗎？比如我池化大小為（2，2）我輸入一張30*40的，那么經過池化后可以得到15*20的圖片。輸入一張53*22大小的圖片，經過池化后，我可以得到26*11大小的圖片。因此池化這一步也沒對圖片大小有要求。只要你喜歡，輸入任意大小的圖片，都可以進行池化。
全連接層：既然池化和卷積都對輸入圖片大小沒有要求，那么就只有全連接層對圖片結果又要求了。因為全連接層我們的連接勸值矩陣的大小W，經過訓練后，就是固定的大小了，比如我們從卷積到全連層，輸入和輸出的大小，分別是50、30個神經元，那么我們的權值矩陣（50,30）大小的矩陣了。因此空間金字塔池化，要解決的就是從卷積層到全連接層之間的一個過度。
也就是說在以后的文獻中，一般空間金子塔池化層，都是放在卷積層到全連接層之間的一個網絡層。
二、算法概述
OK,接著我們即將要講解什么是空間金字塔池化。我們先從空間金字塔特征提取說起（這邊先不考慮“池化”），空間金字塔是很久以前的一種特征提取方法，跟Sift、Hog等特征息息相關。為了簡單起見，我們假設一個很簡單兩層網絡：
輸入層：一張任意大小的圖片,假設其大小為(w,h)。
輸出層：21個神經元。
也就是我們輸入一張任意大小的特征圖的時候，我們希望提取出21個特征。空間金字塔特征提取的過程如下：
圖片尺度劃分
如上圖所示，當我們輸入一張圖片的時候，我們利用不同大小的刻度，對一張圖片進行了劃分。上面示意圖中，利用了三種不同大小的刻度，對一張輸入的圖片進行了劃分，最后總共可以得到16+4+1=21個塊，我們即將從這21個塊中，每個塊提取出一個特征，這樣剛好就是我們要提取的21維特征向量。
第一張圖片,我們把一張完整的圖片，分成了16個塊，也就是每個塊的大小就是(w/4,h/4);
第二張圖片，劃分了4個塊，每個塊的大小就是(w/2,h/2);
第三張圖片，把一整張圖片作為了一個塊，也就是塊的大小為(w,h)
空間金字塔最大池化的過程，其實就是從這21個圖片塊中，分別計算每個塊的最大值，從而得到一個輸出神經元。最后把一張任意大小的圖片轉換成了一個固定大小的21維特征（當然你可以設計其它維數(shù)的輸出，增加金字塔的層數(shù)，或者改變劃分網格的大小）。上面的三種不同刻度的劃分，每一種刻度我們稱之為：金字塔的一層，每一個圖片塊大小我們稱之為：windows size了。如果你希望，金字塔的某一層輸出n*n個特征，那么你就要用windows size大小為：(w/n,h/n)進行池化了。
當我們有很多層網絡的時候，當網絡輸入的是一張任意大小的圖片，這個時候我們可以一直進行卷積、池化，直到網絡的倒數(shù)幾層的時候，也就是我們即將與全連接層連接的時候，就要使用金字塔池化，使得任意大小的特征圖都能夠轉換成固定大小的特征向量，這就是空間金字塔池化的奧義（多尺度特征提取出固定大小的特征向量）。具體的流程圖如下：
三、算法源碼實現(xiàn)
?理論學的再多，終歸要實踐，實踐是檢驗理論的唯一標準，caffe中有關于空間金字塔池化的源碼，我這邊就直接把它貼出來，以供學習使用，源碼來自https://github.com/BVLC/caffe：
[cpp]?view plaincopy
四、算法應用之物體檢測
在SPP-Net還沒出來之前，物體檢測效果最牛逼的應該是RCNN算法了，下面跟大家簡單講一下R-CNN的總算法流程，簡單回顧一下：
1、首先通過選擇性搜索，對待檢測的圖片進行搜索出2000個候選窗口。
2、把這2k個候選窗口的圖片都縮放到227*227，然后分別輸入CNN中，每個候選窗臺提取出一個特征向量，也就是說利用CNN進行提取特征向量。
3、把上面每個候選窗口的對應特征向量，利用SVM算法進行分類識別。
可以看到R-CNN計算量肯定很大，因為2k個候選窗口都要輸入到CNN中，分別進行特征提取，計算量肯定不是一般的大。
OK，接著回歸正題，如何利用SPP-Net進行物體檢測識別？具體算法的大體流程如下：
1、首先通過選擇性搜索，對待檢測的圖片進行搜索出2000個候選窗口。這一步和R-CNN一樣。
2、特征提取階段。這一步就是和R-CNN最大的區(qū)別了，同樣是用卷積神經網絡進行特征提取，但是SPP-Net用的是金字塔池化。這一步驟的具體操作如下：把整張待檢測的圖片，輸入CNN中，進行一次性特征提取，得到feature?maps，然后在feature?maps中找到各個候選框的區(qū)域，再對各個候選框采用金字塔空間池化，提取出固定長度的特征向量。而R-CNN輸入的是每個候選框，然后在進入CNN，因為SPP-Net只需要一次對整張圖片進行特征提取，速度是大大地快啊。江湖傳說可一個提高100倍的速度，因為R-CNN就相當于遍歷一個CNN兩千次，而SPP-Net只需要遍歷1次。
3、最后一步也是和R-CNN一樣，采用SVM算法進行特征向量分類識別。
算法細節(jié)說明：看完上面的步驟二，我們會有一個疑問，那就是如何在feature?maps中找到原始圖片中候選框的對應區(qū)域？因為候選框是通過一整張原圖片進行檢測得到的，而feature?maps的大小和原始圖片的大小是不同的，feature?maps是經過原始圖片卷積、下采樣等一系列操作后得到的。那么我們要如何在feature?maps中找到對應的區(qū)域呢？這個答案可以在文獻中的最后面附錄中找到答案：APPENDIX?A：Mapping?a?Window?to?Feature?Maps。這個作者直接給出了一個很方便我們計算的公式：假設(x’,y’)表示特征圖上的坐標點，坐標點(x,y)表示原輸入圖片上的點，那么它們之間有如下轉換關系：
(x,y)=(S*x’,S*y’)
其中S的就是CNN中所有的strides的乘積。比如paper所用的ZF-5：
S=2*2*2*2=16
而對于Overfeat-5/7就是S=12，這個可以看一下下面的表格：
?
需要注意的是Strides包含了池化、卷積的stride。自己計算一下Overfeat-5/7(前5層)是不是等于12。
反過來，我們希望通過(x,y)坐標求解(x’,y’)，那么計算公式如下：
?
因此我們輸入原圖片檢測到的windows，可以得到每個矩形候選框的四個角點，然后我們再根據(jù)公式：
Left、Top:
?
Right、Bottom：
?
參考文獻：
1、https://github.com/BVLC/caffe
2、《Spatial Pyramid Pooling in Deep Convolutional?Networks for Visual Recognition》
3、http://research.microsoft.com/en-us/um/people/kahe/eccv14sppnet/index.html
4、http://caffe.berkeleyvision.org/
**********************作者：hjimce ? 時間：2015.12.5 ?聯(lián)系QQ：1393852684 ? 地址：http://blog.csdn.net/hjimce? ?原創(chuàng)文章，版權所有，轉載請保留本行信息(不允許刪除)
總結
以上是生活随笔為你收集整理的深度学习（十九）基于空间金字塔池化的卷积神经网络物体检测-ECCV 2014的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 深度学习（十八）基于R-CNN的物体检测
- 下一篇： 深度学习（二十七）可视化理解卷积神经网络