ng-深度学习-课程笔记-13: 目标检测(Week3)

1 目标定位( object localization )

目标定位既要识别，又要定位，它要做的事就是用一个框框把物体目标的位置标出来。

怎么做这个问题呢，我们考虑三目标的定位问题，假定图中最多只出现一个目标，假定图片的左上角为(0,0)，右下角为(1,1)。

我们输出层的标签有这么几个，pc, bx, by, bh, bw, c1, c2, c3，其中pc表示是否存在目标，c1,c2,c3分别代表三个类别的目标是否存在，(bx, by)表示框框中心点的坐标，bh表示框框高度，bw表示框框宽度。

考虑损失函数，y = 0 时，只考虑pc之间的逻辑回归损失或平方损失都行，因为此时没有目标；

y = 1时，一般对pc采用平方损失或者逻辑回归的损失，对c1, c2, c3采用softmax的损失，对bx, by, bh, bw采用平方损失。

 

 

2 特征点检测( landmark detection )

假如你想标记出人脸中的特征位置（比如眼睛），对于神经网络的输出单元，首先有个face表示是否有人脸，然后是一系列的特征点的坐标，比如l1x, l1y, l2x, l2y, l3x, l3y, l4x, l4y表示四个特征点，表示左眼的外眼角和内眼角，右眼的外眼角和内眼角。

当然要训练这个网络，必须有标签好的数据，一般都是人为辛苦标注的。

这个检测脸部特征模块，是一个识别脸部表情的基本模块，也是计算机图形效果（比如实现头戴皇冠，脸部扭曲）的一个关键模块。

如果你对人体姿态检测感兴趣的话，也是使用类似上述的方法，先检测出人体姿态的关键特征点。

 

3 目标检测( object detection )

比如我们想做一个汽车的目标检测，首先先构建一个数据集，输入图像，输出图像是否为汽车，注意有汽车的图像中汽车要尽量占满整个画布且在正中央。

用这个数据集训练一个卷积神经网络，能够预测图像中是否为汽车。

然后可以利用滑动窗口的技术，先用小窗口，对新来的图像用窗口截取一段用网络判断是否为汽车，依次滑动窗口进行判断，对每个位置用0和1标记，直到滑过图像的每一个角落。然后增大窗口，重复操作，再增大一点窗口，重复操作。

滑动窗口的缺点就是计算成本太高，每次滑动都要用卷积来计算一次，这样滑动太慢了。

如果滑动stride小，则计算量大；如果stride大，可能无法准确定位到目标。

 

4 滑动窗口的卷积实现( Convolutional implementation of sliding windows )

事实上，我们不用像上一节中那样，自己去滑动窗口截取图片的一小部分然后检测，卷积这个操作就可以实现滑动窗口。

如下图中间一行卷积的初始图，我们假设输入的图像是16*16的，而窗口大小是14*14，我们要做的是把蓝色区域输入卷积网络，生成0或1分类，接着向右滑动2个元素，形成的区域输入卷积网络，生成0或1分类，然后接着滑动，重复操作。我们在16*16的图像上卷积了4次，输出了4个标签，我们会发现这4次卷积里很多计算是重复的。

而实际上，直接对这个16*16的图像进行卷积，如下图中间一行的卷积的整个过程，这个卷积就是在计算我们刚刚提到的很多重复的计算，过程中蓝色的区域就是我们初始的时候用来卷积的第一块区域，到最后它变成了2*2的块的左上角那一块，我们可以看到最后输出的2*2块，刚好就是4个输出，对应我们上面说的输出4个标签。

这两个过程刚好可以对应的上。所以我们不需要把原图分成四个部分，分为用卷积去检测，而是把它们作为一张图片输入给卷积网络进行计算，其中的公有区域可以共享很多计算。

 

我们不用依靠连续的卷积操作来识别图片中的汽车，我们可以对整张图片进行卷积，一次得到所有的预测值，如果足够幸运，神经网络便可以识别出汽车的位置。

 

5 边界框预测( Bounding box prediction )

上一节的算法有一个缺点，就是边界框（bounding box）的位置可能不够准确，例如，可能你的框没有完美地框中汽车，而是框中了四分之三的样子。

其中一个能得到更精准的边界框的算法就是YOLO算法，YOLO的意思是you only look once。

怎么做的呢？假设我们的图像是100*100，我们在图像上放上3*3=9的网格（用3*3是为了介绍简单，实际实现会更精细，比如19*19）。

基本思路就是逐一在9个格子里使用目标定位。对于没有目标的格子，它的标签y就是pc为0，没啥好说的；

对于某个有目标的格子，按目标定位的方法贴上标签。需要注意的是，yolo会把目标分配到包含对象中点的那个格子里，所以如果车子的边缘跑到别的格子去了，我们会忽视那些边缘。

因为我们的标签有8个分量（参见前面说过的目标定位），所以最终的标签的shape是3*3*8。

我们要训练的卷积神经网络就是输入100*100*3的图像，输出3*3*8的标签。这样我们就可以得到精准的边界框了。

这个算法能够得到更准确的边界框而不用受限于滑动窗口的步长；其次这是一个卷积实现，我们并没有在9块区域跑9次算法，而是直接对整张图进行卷积的训练，因为在各个格子里的很多计算步骤是可以共享的。所以这个算法效率很高。

另外有个细节，关于bx, by, bh, bw，我们说格子左上角是(0, 0)，右下角是(1, 1)，那么这四个参数可以认为是在格子中占的比例大小，bx, by是(0,1)的，而bh, bw可能大于1，因为可能目标太大占了几个格子，指定边界框的方式有很多，这种约定是比较合理的。

 

6 交并比( Intersection over union)

交并比函数IoU是用来评判目标检测是否准确的，它做的就是计算预测边框和实际边框的交集和并集的比。

一般IoU大于等于0.5就说明检测正确，如果你希望严格点，可以定为0.6或0.7。

 

7 非极大值限制( Non-max suppression)

之前讲的yolo算法中，有个问题就是当一辆汽车占了很多个格子的时候，很多格子都会觉得它里面有辆车，所以算法可能会对同一对象做多次检测。

非最大值限制做的就是清理这些检测结果，使每个对象只被检测一次。具体怎么做，我们先假设目标只有一个，汽车，那么标签变成5个( pc, bx, by, bh, bw )

把图片分成19*19格子，对每一格子如果pc<=0.6，则丢弃，认为它不包含汽车。

对于剩下的格子，选择概率pc最高的框框，然后把跟这个框框的IoU很高（比如说>=0.5）的框框抑制；

然后再找概率最高的框框，接着把IoU（重叠）很高的框框抑制；

以此类推，最后把抑制的框框都去掉，这就是非最大值抑制。如果尝试同时检测三个目标的话，就对三个类独立地进行非最大值抑制。

 

8 Anchor Boxes

Anchor Boxes是处理一个格子出现多个目标的手段。

如下图所示，人和车重叠在了一起，这个时候可以预先定义不同形状的anchor box，这个例子中我们定义两个anchor box。

然后标签也变成原来的2倍，分别表示2个box：[ pc, bx, by, bh, bw, c1, c2, c3,  pc, bx, by, bh, bw, c1, c2, c3 ]

对于第一个box，行人的形状，用标签的前8个表示，这里所有的参数都和检测行人有关。

对于第二个box，汽车的形状，用标签的后8个表示，这里所有的参数都和检测汽车有关。

之前，训练的每一个目标，都分配到包含中点的格子里。

现在，训练的每一个目标，都分配到（包含中点的格子，和目标IoU最高的anchor box）里。

如果你有2个anchor但是格子出现了3个目标，这种情况算法并没有很好的处理办法，但执行了默认的手段就是把两个对象放在一个格子里且它们的anchor是一样的，希望你的数据集不会出现这种情况。

如何选择anchor呢，人们一般手工指定anchor的形状，你可以选择5-10个anchor box覆盖多种不同的形状，涵盖你想要检测的对象的各种形状。

后期YOLO论文有更好的做法，用k-menas将两类对象的形状进行聚类，用它来选择一组anchor box。

 

 

9 yolo算法( yolo algorithm )

先根据上面讲述的内容，给训练样本贴好相应的标签，然后训练，预测。

最后要做非最大值抑制，步骤如下。

(1) 如果anchor box有两个，那么对于每个格子都会得到有两个边界框；

(2) 抛弃概率低的框框；

(3) 假设我们要预测三个目标，那么对每一个类，单独用非最大值抑制去得到最后的预测框框。

 

10 候选区域( Region proposals )

候选区域用的比较少，但是这个概念在计算机视觉领域的影响力很大，是个很有趣的想法。

我们之前讲的滑动窗口，它可能会在显然没有任何对象的区域上运算，这很没意义。

针对这个，有人提出了R-CNN，带区域的卷积网络，这个算法尝试选出一些区域，在这些区域上运行卷积网络分类器是有意义的。

选出候选区域的方法是运行图像分割算法，找一些色块，在这些色块上做卷积得到特征，然后（SVM）分类。

R-CNN运行还是挺慢的，所以有一系列的研究工作去改进这个算法。

比如Fast R-CNN，用了卷积（实现的滑动窗口）来进行分类，提高了速度，但是它得到候选区的速度还是挺慢的。

所以又提出了Faster R-CNN，用卷积去来获得候选区域色块，结果比Fast快很多。