目录
[2.spatial pyramid pooling](#2.spatial pyramid pooling)
一:目标检测-Overfeat模型
1.滑动窗口
目标检测的暴力方法是从左到右、从上到下滑动窗口,利用分类识别目标。为了在不同观察距离处检测不同的目标类型,我们使用不同大小和宽高比的窗口。如下图所示:
这样就变成每张子图片输出类别以及位置,变成分类问题。但是滑动窗口需要初始设定一个固定大小的窗口,这就遇到了一个问题,有些物体适应的框不一样,所以需要提前设定K个窗口,每个窗口滑动提取M个,总共K x M 个图片,通常会直接将图像变形转换成固定大小的图像,变形图像块被输入 CNN 分类器中,提取特征后,我们使用一些分类器识别类别和该边界框的另一个线性回归器。
这种方法类似一种暴力穷举的方式,会消耗大量的计算力量,并且由于窗口大小问题可能会造成效果不准确
但是提供了一种解决目标检测问题的思路
二:目标检测R-CNN模型
1.R-CNN结构
不使用暴力方法,而是用候选区域方法(region proposal method),创建目标检测的区域改变了图像领域实现物体检测的模型思路,R-CNN是以深度神经网络为基础的物体检测的模型 ,R-CNN在当时以优异的性能令世人瞩目,以R-CNN为基点,后续的SPPNet、Fast R-CNN、Faster R-CNN模型都是照着这个物体检测思路。
1.步骤(以AlexNet网络为基准)
1.找出图片中可能存在目标的候选区域region proposal
2.进行图片大小调整为了适应AlexNet网络的输入图像的大小227*227,通过CNN对候选区域提取特征向量,2000个建议框的CNN特征组合成2000*4096维矩阵
3.将2000*4096维特征与20个SVM组成的权值阵4096*20相乘(20种分类,SVM是二分类器,则有20个SVM),获得2000*20维矩阵
4.分别对2000*20维矩阵中每一列即每一类进行非极大值抑制(NMS:non-maximum suppression)剔除重叠建议框,得到该列即该类中得分最高的一些建议框
5.修正bbox,对bbox做回归微调
2.候选区域
选择性搜索(SelectiveSearch,SS)中,首先将每个像素作为一组。然后,计算每一组的纹理,并将两个最接近的组结合起来。但是为了避免单个区域吞噬其他区域,我们首先对较小的组进行分组。我们继续合并区域,直到所有区域都结合在一起。下图第一行展示了如何使区域增长,第二行中的蓝色矩形代表合并过程中所有可能的 ROI。
SelectiveSearch在一张图片上提取出来约2000个侯选区域,需要注意的是这些候选区域的长宽不固定。 而使用CNN提取候选区域的特征向量,需要接受固定长度的输入,所以需要对候选区域做一些尺寸上的修改。
3.Crop+Warp
传统的CNN限制了输入必须固定大小,所以在实际使用中往往需要对原图片进行crop或者warp的操作
- crop:截取原图片的一个固定大小的patch
- warp:将原图片的ROI缩放到一个固定大小的patch
无论是crop还是warp,都无法保证在不失真的情况下将图片传入到CNN当中。会使用一些方法尽量让图片保持最小的变形。
-
1.各向异性缩放:即直接缩放到指定大小,这可能会造成不必要的图像失真
-
2.各向同性缩放:在原图上出裁剪侯选区域, (采用侯选区域的像素颜色均值)填充到指定大小在边界用固定的背景颜色
4.CNN网络提取特征
再候选区域的基础上提取出更高级,更抽象的特征,这些高级特征是作为下一步的分类器,回归的输入数据
提取的这些特征将会保存再磁盘中(这些提取的特征才是真正的要训练的数据)
5.特征向量训练分类器SVM
假设一张图片2000个候选区,那么提取出来的就是2000*4096这样的特征向量(R-CNN中默认CNN层输出4096特征向量)。那么最后需要对这些特征进行分类,R-CNN选用SVM进行二分类。假设检测N个类别,那么会提供N个不同类别的SVM分类器,每个分类器都会对2000个候选区的特征向量分别判断一次,这样得出[2000,N]的得分矩阵。
每个SVM分类器都要判别这2000个候选区是某类别,还是背景
6.非最大抑制(NMS)
目的:筛选候选区,得到最终候选区域结果
迭代过程:对所有的2000个候选区域得分进行概率筛选,然后对剩余的候选框,每个类别进行loU(交并比)>=0.5筛选
假设现在滑动窗口有:ABCD四个框
第一轮:假设B是得分最高的,与B的loU>0.5删除,现在与B计算loU,DE结果>0.5,剔除DE,B作为一个预测结果
第二轮:AC中,A的得分最高,与A计算loU,C>0.5,剔除C,A作为一个结果
最终筛选出A和B
7.修正候选区域
那么通过非最大抑制筛选出来的一定非常准确吗?R-CNN提供了这样一个方法,建立一个bbox regressor,用于回归修正筛选后的候选区域,使之回归用于ground-truth,默认认为这两个框之间是线性关系,因为这是最后筛选出来的候选区域和ground-truth很接近了
修正过程:
三:R-CNN训练过程
R-CNN的训练过程这些部分,正负样本准备+预训练+微调网络+训练SVM+训练边框回归器
1.训练正负样本准备
对于训练集中的所有图像,采用selective search方式来获取,最后每个图像得到2000个region proposal。但是每个图像不是所有的候选区域都会拿去训练
这样得出若干个候选区域以及对应的标记结果
2.预训练
CNN模型层数多,模型的容量大,通常会采用2012年的著名网络AlexNet来学习特征,包含5个卷积层和2个全连接层,利用大数据集训练一个分类器,比如著名的ImageNet比赛的数据集,来训练AlexNet,保存其中的模型参数。
3.微调
AlexNet是针对ImageNet训练出来的模型,卷积部分可以作为一个好的特征提取器,后面的全连接层可以理解为一个好的分类器。R-CNN需要在现有的模型上微调卷积参数。
4.SVM分类器
针对每个类别训练一个SVM的而分类器。比如:猫的SVM分类器,输入维度是2000*4096,目标还是之前第一步标记是否属于该类别猫,训练结果是得到SVM的权重矩阵W,W的维度是4096*20
5.BBox回归器训练
只对那些跟ground truth的IoU超过某个阈值且IOU最大的region proposal回归,其余的region proposal不参与。
四:R-CNN测试过程
1.输入一张图像,利用selective search得到2000个region proposal
2.对所有region proposal变换到固定尺寸并作为以训练好的CNN网络的输入,每个复选框得到4096维特征
3.采用已训练好的每个类别的svm分类器对提取到的特征打分,所以SVM的weight matrix是4096 N,N是类别数,这里一共有20个SVM, 得分矩阵是200020
4.采用non-maximun suppression(NMS)去掉候选框
5.第上一步得到region proposal进行回归
五:总结
缺点:
-
1、训练阶段多:步骤繁琐: 微调网络+训练SVM+训练边框回归器。
-
2、训练耗时:占用磁盘空间大:5000张图像产生几百G的特征文件。(VOC数据集的检测结果,因为SVM的存在)
-
3、处理速度慢: 使用GPU, VGG16模型处理一张图像需要47s。
-
4、图片形状变化:候选区域要经过crop/warp进行固定大小,无法保证图片不变形
六:SPPNet
SPPNet主要有两点改进:1.减少卷积计算,2.防止图片内容变形
1.映射
原始图片经过CNN变成了feature map,原始图片通过选择性搜索(SS)得到了候选区域,现在需要将基于原始图片的候选区域映射到feature map中的特征向量。映射过程图参考如下:
假设(x′,y′)(x′,y′)表示特征图上的坐标点,坐标点(x,y)表示原输入图片上的点,那么它们之间有如下转换关系,这种映射关心与网络结构有关:(x,y)=(S∗x′,S∗y′)
左上角的点:x′=[x/S]+1
右下角的点:x′=[x/S]-1
S是CNN中所有步数的乘积,包括了池化中的步数,卷积中的步数
2.spatial pyramid pooling
通过spatial pyramid pooling 将任意大小的特征图转换成固定大小的特征向量
示例:假设原图输入是224x224,对于conv出来后的输出是13x13x256的,可以理解成有256个这样的Filter,每个Filter对应一张13x13的feature map。接着在这个特征图中找到每一个候选区域映射的区域,spp layer会将每一个候选区域分成1x1,2x2,4x4三张子图,对每个子图的每个区域作max pooling,得出的特征再连接到一起,就是(16+4+1)x256的特征向量,接着给全连接层做进一步处理,如下图: