1. 首页首页
  2. 编程基础编程基础

目标检测学习笔记1

编程基础 • • 阅读 35

目标检测学习笔记1目标检测学习笔记计算机视觉有四大基本任务 分别是 分类 定位 检测 分割

文章目录

一.前言

计算机视觉有四大基本任务，分别是：分类、定位、检测、分割。其中分类任务是所有任务的基础。因为对于一幅图像，可能含有多个物体。所以分类任务是对图像中主体事物类别的判断。定位任务也是单目标任务，和分类任务唯一的不同是，不仅需要分类还需要把判别出的主体事物的边界框出来。目标检测是多目标任务，是对图像中各种需要检测的物体如果出现用边界框框住，并判别其类别。分割任务和检测任务的区别就在于是框的形状是物体的边界形状。

1. 目标检测目的

从图像或视频流中，检测出其中一个或多个物体的类别与其位置 其任务简而言之即：对一个或多个物体分类+定位

任务 输入 输出 评判标准
分类 图 标签 准确率
定位 图 坐标 IoU

2. 如何定位？

  1. x,y,w,h：中心点位置(x,y)，中心点距离两边的长和宽(w,h)
    在这里插入图片描述

  2. xmin,ymin,xmax,ymax:左上角坐标(xmin,ymin)，右下角坐标(xmax,ymax)
    在这里插入图片描述

3. 目标检测方法

  • 两步走：区域推荐—>分类 ，先推荐图像中可能具有目标物体的区域，然后对这些区域进行分类。（典型网络：RCNN,SPP-Net,Fast-RCNN,Faster-RCNN)
  • 端到端：采用一个网络一步到位（典型网络：Yolo,SSD）

4. 一些概念介绍：

  • Ground-truth bounding box:图片中真实标记的物体位置的框
  • Predicted bounding box:预测的框
    如下图所示，绿色的框为正确标记的物体位置，红色的框为模型预测的物体位置。
    在这里插入图片描述
    对于多个目标，无法提前预测图片中到底有多少个物体出现，因此就没有固定个数的输出。接下来对目标检测的一些方法进行简要说明。

二、滑动窗口检测

这是一种暴力解法。定义一个滑动窗口，沿着图片从左往右，从上到下滑动，形成子图片，识别子图片是否包含所识别物体，并进行分类。

需设定一个固定大小的窗口，可使用不同大小的宽高比多次滑动。

在这里插入图片描述

1.识别流程

  1. 首先定义若干个尺寸的窗口。假设K个。
  2. 每种尺寸的窗口分别去滑动（如上图所示滑动流程）。假设每个窗口滑动M次。
  3. 因此生成了K×M个子图片去分类。

2.方法缺点

暴力穷举，计算量十分大。

因此为我们提供了一种思路，有没有不暴力穷举的方法呢？

三、R-CNN模型

为了解决滑动窗口方法暴力穷举带来的缺点，提出了一种思路：

候选区域方法（Region Proposal Method)：从初始图片中找出可能存在物体的候选区域，然后对候选区域进行分类。

1.算法流程

在这里插入图片描述
此算法识别流程如上图所示：

  1. 找出图片中可能存在的候选区域(ROI,Region of Interest)，默认找2000个候选区域。
  2. 此处以AlexNet网络为基准，将候选区域调整图像比例，以适应AlexNet网络的输入要求227×227。对每个候选区域进行卷积提取特征，每个候选区域输出提取到的特征4096，因此输出2000×4096。
  3. 将2000×4096维特征输入至SVM分类器进行分类（假设有20种分类，SVM是二分类，因此此处有20个SVM分类器）。获得2000×20维矩阵。
  4. 分别对2000×20维矩阵进行非极大抑制（NMS:Non-Maxinum Suppression），以剔除重叠的、不好的区域，剩下结果相对较好的框。
  5. 修正bbox，对其做回归微调。

2.如何选出候选区域？

Selective Search算法，简称SS。
1、首先以像素为单位划分图像，分为组。
2、计算每组的相似度，将最接近的两个组进行合并。
3、重复操作2，直到图像合并完。
4、以上合并操作产生的区域都成为候选区域。
如下图所示。

在这里插入图片描述

  • 由于产生的每个候选框尺寸不同，但CNN提取特征向量时需要接受固定长度的输入，因此需要对候选区域作尺寸上的修改。
  • 所提取到的特征会存于磁盘中（这些特征才是真正要训练的数据）。

在这里插入图片描述

3.如何分类？

2000×4096维的特征向量：每张图片提取了4096特征，共有2000张图像。
针对每张图像，需要分别输入到20个分类器中。

如：
1.猫分类器
2.狗分类器
.
.
.
20.鸟分类器

因此输出2000×20的分数：每张图片有20个分数，共有2000张图片。分数代表分类为某类别的概率，值在0-1之间。

4.非极大抑制（NMS）

目的：筛选候选框，以为可能有的候选框位置很接近，就没有必要都保留。最理想的情况是，每个目标物体仅留一个最优的候选框。

迭代过程：

  • 假设有2个目标物体
  • 则最理想是从2000个框中最终筛选出2个候选框

  1. 依据每个候选框的分类得分，根据阈值对2000个候选框进行筛选（假设阈值0.5）。如图所示，蓝色的框就被筛选掉了，留下了红色的框（此处的框数量仅仅举例，实际上有2000个框参与判断）
    在这里插入图片描述

  2. 计算每个GT bbox与每个候选框的IoU（何为IoU在文章后面会有补充说明），选出每个GT bbox所对应的最高IoU值的候选框（假设经过1筛选后有5个候选框，则此处计算了2×5=10个IoU值，选出来2个候选框(A1,A2)。如图所示，两个黄色的框是GT bbox目标物体，计算五个蓝色框分别与两个黄色框的IoU值，假设与左黄IoU最高的是A，与右黄IoU最高的是B。
    在这里插入图片描述

  3. 计算与A1,A2预测同一物体的剩余候选框（N）的IoU值，高于阈值的N就舍弃掉（这就代表重合度很高的框就没必要保留了）。如图，计算C与A的IoU（假设=0.8）,以及D和E与B的IoU（假设=0.6和0.5）,高于阈值的0.5的就删掉，那么CDE就被删掉了，最终剩下了A,B两个候选框。
    在这里插入图片描述

5.修正候选区域

由上述结果可看到，候选区域A与左黄的位置还有一些差异，B与右黄也是如此，因此希望通过一定的操作可以使候选区域与GT bbox更吻合，更准确。

使用方法：建立一个bbox regressor。回归用于修正筛选后的候选框，使之回归于GT bbox。默认认为这两个框具有线性关系。
修正过程：
1、已知候选区坐标(px,py,pw,ph)与GT bbox坐标(tx,ty,tw,th)，回归训练学习参数使得pxwx=tx,pywy=ty,pwww=tw,phwh=th)
2、则下一次预测时，候选区坐标×参数，得到预测值。
3、如图，A是候选区，G是GT，每次得到A后，先×参数，得到预测狂G’。
在这里插入图片描述
在这里插入图片描述

因此，RCNN的输出：一张图片预测候选框x，x ×w=y_locate

y_locate才是真正的算法输出位置。

6.目标检测评估指标

6.1 评估位置

使用IoU交并比（Intersection over Union）
在这里插入图片描述

  • 其值在0~1之间。IoU值越大，代表位置重合度越高。
  • 预测框与真实框IoU值越大，则代表预测位置越准确。

6.2 评估分类

训练样本的标记：候选框标记

  • 与每个GT bbox的IoU最大的候选框标记为正样本
  • 剩余候选框与任何GT bbox的IoU大于阈值（假设0.7）的记为正样本；IoU小于阈值（假设0.3）的记为负样本。

使用平均精确率（mean Average Precision,mAP)

  • mAP=所有类别的AP之和/类别总个数
  • AP：Average precision
  • 多个类别目标检测中，每个类别都可以根据recall（召回率）和percision（准确率）绘制一条曲线。AP就是该曲线下的面积，mAP意思是对每一类的AP再求平均。

True positives(TP): 被正确地划分为正例的个数，即实际为正例且被分类器划分为正例的实例数；
False positives(FP): 被错误地划分为正例的个数，即实际为负例但被分类器划分为正例的实例数；
False negatives(FN):被错误地划分为负例的个数，即实际为正例但被分类器划分为负例的实例数；
True negatives(TN): 被正确地划分为负例的个数，即实际为负例且被分类器划分为负例的实例数。
在这里插入图片描述

6.3 方法步骤

1、对于其中一个类别C，首先将算法输出的所有类别C的预测框，按照预测的分数排序;
2、设定不同的k值，选择top k个预测框，计算FP和TP，计算Precision和AP;
3、将得到的N个类别的AP取平均值，即得到了mAP；AP是针对单一类别的，mAP是所有类别的AP求和，再取平均。

RCNN在VOC2007数据集上的mAP达到66%

7.RCNN缺点

虽然RCNN解决了滑动窗口暴力穷举的缺点，但也存在缺陷。

  1. 训练阶段多；训练网络、SVM、bbox回归器。还不能一起训练，SVM是离线训练的 ，回归器也是离线训练
  2. 训练耗时。因为分别要对每一个候选区域都要特征提取。
  3. 占用磁盘空间大，因为提取的特征都要保存到磁盘中，用于训练。5000张的图片的特征文件就达到了几百G；
  4. 处理速度慢（论文中，使用GPU处理识别一张图片要47s）；
  5. 图片形状变化。因为候选区域要经过crop/warp进行固定大小，无法保证图片不变形。

改进：提出SPP-Net，减少卷积运算。

四、SPP-Net

在此之前，所有的神经网络都是需要输入固定尺寸的图片，比如224224（ImageNet）、3232(LenNet)、96*96等。这样对于我们希望检测各种大小的图片的时候，需要经过crop，或者warp等一系列操作，这都在一定程度上导致图片信息的丢失和变形，限制了识别精确度。

1.为什么要输入固定尺寸？

卷积层的参数和输入大小无关，它仅仅是一个卷积核在图像上滑动，不管输入图像多大都没关系，只是对不同大小的图片卷积出不同大小的特征图，但是全连接层的参数就和输入图像大小有关，因为它要把输入的所有像素点连接起来,需要指定输入层神经元个数和输出层神经元个数，所以需要规定输入的feature的大小。
因此，固定长度的约束仅限于全连接层。

而SPP-Net解决了这个问题。SPP-Net在最后一个卷积层后，接入了SPP金字塔池化层，使用这种方式，可以让网络输入任意的图片，而且还会生成固定大小的输出。
在这里插入图片描述

2.算法流程

在这里插入图片描述

  1. 对整个输入图像进行特征提取，得到feature map；
  2. SS算法对输入图像提取候选区域；
  3. 将所得候选区域映射到feature map对应位置，得到候选区域的特征向量；
  4. 所得候选区域特征向量经过SPP层，输出固定大小的特征向量，输送给全连接层。

2.1 如何映射
在这里插入图片描述
映射关系如上图所示，计算公式如下：

左上角：x1=[x/s]+1
右下角：y1=[y/s]-1
s是CNN中所有strides的乘积（包含了池化、卷积的步长，论文中s=2222=16

2.2 如何转换为固定大小特征向量

  • 假设原图224*224，原图经过卷积后输出13×13×256，其中某个候选区域12×10×256
  • SPP Layer将候选区域划分成1×1，2×2，4×4三个子图，对每个子图的每个区域进行max pooling，得到（1+4+16）×256=21×256=5376个结果
  • 再全给全连接层。

在这里插入图片描述

因此，无论什么尺寸输入的候选区域，都可以得到相同尺寸5376的输出。

3.SPP-Net优缺点

  • 优点：速度提升（但提升不多）
  • 缺点：训练速度还是过慢，效率低，特征也是需要写入磁盘，分阶段训练。

五、Fast-RCNN

希望在SPP-Net的基础上，整合模型的训练，可以提升训练速度。

1.算法流程

在这里插入图片描述

  1. 对输入图像进行卷积，提取特征feature map；
  2. SS算法提取候选区域；
  3. RoI Projection操作将候选区域映射到feature map，得到候选区域的特征向量；
  4. RoI pooling layer 提取一个固定长度的特征向量，每个特征会输入到一系列的全连接层，得到一个RoI特征向量（对每个候选区域都做一样的操作）
  5. 进行softmax分类和bbox regressor。

2.改进部分

废弃了SVM和SPP layer；
换用RoI Pooling 和 softmax多任务分类。

2.1RoI Pooling

  • 在这部分，为了在得到固定长度的向量的同时，还减少计算时间，只使用4×4的盒子划分（SPP-Net中用了三种尺寸1×1，2×2，4×4的盒子）可以减少计算量和计算时间，快很多。实际上是简单版本的SPP。
  • 经过此部分改进，可以节省很多时间，准确率没有突出得提升很多。

2.2End-to-End model

从输入端到输出端直接使用一个神经网络相连，整体优化目标函数。

为什么这整个网络可以统一训练？
特征提取CNN的训练和SVM分类器的训练在时间上是先后顺序，且训练方式相互独立，因此去掉了SVM分类这一过程，而使用softmax分类。
所有特征都存储在内存中，不占用硬盘空间，形成End-to-End模型。（proposal除外，end-to-end在Faster-RCNN中得以完善）

2.3多任务损失
两个loss:

  1. 对于分类的loss，是N+1路的softmax输出（N个种类，1为背景），使用交叉熵损失计算；
  2. 对于位置回归loss，是4*N路输出的regressor，对每个类别都单独训练一个regressor。使用平均绝对误差损失计算。

2.4fine-tuning训练

  • 在微调时，调整CNN+RoI pooling+softmax
  • 调整bbox,regressor回归中的参数

2.5总结
在这里插入图片描述

  1. 经过卷积得到特征图
  2. 候选区域经过映射后，通过RoI pooling 后传输给全连接层，经过Linear softmax 和 Linear 计算多任务损失，再返回。

3.模型性能对比

参数 R-CNN SPPNet Fast R-CNN
训练时间(h) 84 25 9.5
测试时间/图片 47.0s 2.3s 0.32s
mAP 66.0 63.1 66.9

缺点：使用SS提取候选区域，没有实现真正意义上的端对端，操作也十分耗时。

六、Faster-RCNN

在Fast-RCNN的基础上，Faster-RCNN将候选区域筛选融合到网络当中。

Faster-RCNN可简单看作是区域生成网络+Fast-RCNN的模型，使用区域生成网络（Region Proposal Network,RPN）来代替SS

1.RCNN三者对比

在这里插入图片描述

2.网络结构

输入图像提取到的feature map供区域生成网络和全连接层共用。

在这里插入图片描述

3.算法流程

  1. 输入图像，经过CNN网络提取feature map。
  2. 区域生成网络RPN。RPN网络用于生成候选区域，称作anchors。
    -通过softmax判断anchors属于物体（foreground）还是背景（background）；
    - 利用bbox regression 修正属于物体的anchors，获得精确的候选区，输出TOP-N（默认为300）的区域给RoI pooling；
  3. 后续进行Fast-RCNN的操作。
    在这里插入图片描述

4.区域生成网络（RPN）原理

RPN网络的主要作用是得出比较准确的候选区域。

用n×n（默认3×3=9）的大小窗口去扫描特征图，每个滑窗位置映射到一个低维的向量（默认256维），并为每个滑窗位置考虑k种（在论文中设计k=9）可能的参考窗口（论文中称为anchors）

在这里插入图片描述

  1. 如图，假设feature map 为2020256，用3×3的滑动窗口去滑动，每一个位置有9种窗口比例，因此最终生成了20 * 20 * 9 * 256

  2. 3*3卷积核的中心点对应原图上的位置，将该点作为anchor的中心点，在原图框出多尺度、多种长宽比的anchors，三种尺度{128，256，512}，三种长宽比{1:1,1:2,2:1}，这样每个特征图中的像素点都有9种框。
    在这里插入图片描述

  3. 如下图所示，得到了51399个候选框，再进行分类（判断是否是背景）和bbox回归（回归位置）。目的是得到更好的候选区域提供给RoI pooling 使用。
    在这里插入图片描述

  4. 然后进行Fast-RCNN部分。

5.Faster-RCNN的训练

5.1 RPN的训练

目的：从众多的候选区域中提取出score分数较高的，并且经过regression调整的候选区域。
- 分类：二分类，softmax,logistic regression
- 候选框的调整：均方误差作修正

5.2 Fast-RCNN的训练

  • Fast-RCNN classification（over classes）：所有类别分类N+1，得到候选区域的每个类别概率；softmax；
  • Fast-RCNN regression（bbox regression）：得到更好的位置。均方误差损失。

5.3 候选区域的训练

  1. 训练样本anchor标记
    -每个GT bbox 有最高IoU的anchor为正样本；
    - 剩下anchor和任何GT bbox的IoU大于0.7为正样本，IoU小于0.3为负样本
    - 剩余样本忽略
  2. 正负样本比例1：3

三个误差：RPN中置信度误差和坐标误差、Faster-RCNN最后softmax分类的误差和坐标误差。

在这里插入图片描述

候选区域的训练是为了得出正确的候选区域，并且候选区域经过了回归微调，在这基础上作Fast-RCNN的训练是得到特征向量做分类预测和回归预测。

6.Faster-RCNN效果对比

R-CNN Fast R-CNN Faster R-CNN
Test time/image 50.0s 2.0s 0.2s
mAP(VOC2007) 66.0 66.9 66.9

由此可见，提升的速度很大，准确率没有什么提升。

7.Faster-RCNN总结

  • 优点：提出RPN网络，形成端到端模型
  • 缺点：训练参数过大
  • 改进需求
    • RPN部分可以选择更多尺度去识别一些小目标
    • 速度提升

七、Yolo（You Only Look Once）

Faster-R-CNN利用RPN网络与真实值调整了候选区域，然后再进行候选区域和卷积特征结果映射的特征向量的处理，来通过与真实值优化网络预测结果。

Yolo系列算法将这两个步骤合成一个步骤，直接网络输出预测结果进行优化。

接下来对比一些网络（FPS和mAP越大越好）
在这里插入图片描述

由上图可看出，Yolo的速度在Faster-RCNN上有了很大提升，但是准确率打折。

1. 网络结构

一个网络搞定一切！GoogleNet+4个卷积层+2个全连接层

在这里插入图片描述

在这里插入图片描述

流程理解：

  1. 原始图片resize到448×448，经过前面的卷积网络之后，将图片输出成一个7 7 30的结构。
  2. 于是将图片分为7*7的单元格，每个单元格负责去检测那些中心点落在该格子内的目标，检测出框的位置和置信度。如下图所示（此图用3 * 3的网格来演示），假设一个单元格预测2个候选框，那么就预测出来了18个候选框。
    -所谓置信度其实包含两个方面，一是这个边界框含有目标的可能性大小，二是这个边界框的准确度。前者记为a ，当该边界框是背景时（即不包含目标），此时a=0 。而当该边界框包含目标时，a=1 。边界框的准确度可以用预测框与实际框（ground truth）的IOU（intersection over union，交并比）来表征，记为b。因此置信度可以定义为a * b。
    在这里插入图片描述
  3. 候选框经过NMS筛选，筛选概率以及IoU

2.单元格（grid cell）

  1. 每个单元格负责预测一个物体类别，并且直接预测物体的概率值
  2. 每个单元格预测两个（默认是两个）bbox的位置，两个bbox置信度（confidence）
  3. 输出30个值（4+1+4+1+20），4是坐标信息，1是置信度，20代表20类类别的概率。（只用其中一个比较好的候选框去预测类别概率，至于用哪个，通过置信度来决定）

在这里插入图片描述

不同意Faster RCNN中的anchors，yolo的框坐标、概率值都是由网络直接得出的，而Faster RCNN是认为设定的一个值，然后利用RPN网络对其优化到一个更准确的坐标和是否背景类别。

  1. 非极大抑制：先过滤掉低于某一阈值的bbox，然后对每个类别过滤IoU。就得到了最终检测结果。

3.训练过程

3个部分的损失，损失相加，然后去更新前面的网络
在这里插入图片描述

4.与Faster-RCNN比较

Faster-R-CNN利用RPN网络与真实值调整了候选区域，然后再进行候选区域和卷积特征结果映射的特征向量的处理，来通过与真实值优化网络预测结果。而这两步在yolo算法中合成了一个步骤，直接网络输出预测结果进行优化。

所以经常会YOLO算法为直接回归法代表。YOLO的特点就是快。但准确率会下降一些。

5.YOLO总结

  • 优点：速度快
  • 缺点：1. 准确率打折扣； 2. YOLO对相互靠得很近的物体（挨在一起且中点落在同一个格子的情况），还有很小的物体效果不好。因为在YOLO中，每个网格仅仅预测一种物体，且框太少。

八、SSD

SSD：Single Shot MultiBox Detector

结合了Faster RCNN的anchor机制和YOLO回归思想，以达到准和快的目的。

SSD核心：在不同尺度的特征图上采用卷积核来预测一系列Default Bounding Boxes的类别以及坐标偏移。

1.网络结构

在这里插入图片描述

上图是SSD和YOLO的网络结构，通过对比可以发现，SSD的优点就是它生成的 default box 是多尺度的，这是因为SSD生成default box 的 feature map 不仅仅是CNN输出的最后一层，还有利用比较浅层的feature map 生成的default box。

以VGG16为基础，使用VGG的前5个卷积，后面增加从conv6开始的5个卷积结构。输入图片要求300*300。

2. 算法流程

在这里插入图片描述

  1. 图片输入；
  2. 经过VGG网络后，输出38 * 38 * 512的特征图1；
  3. 再经过卷积结构，输出19 * 19 * 1024的特征图2；
  4. 再经过卷积结构，输出10 * 10 * 512的特征图3；
  5. 再经过卷积结构，输出5 * 5 * 256的特征图4；
  6. 再经过卷积结构，输出3 * 3 * 256的特征图5；
  7. 再经过卷积结构，输出1 * 1 * 256的特征图6；
  8. 对于特征图1，经过归一化，每一个像素点预测4个default box，则预测了38 * 38 * 4=5776个框；
  9. 对于特征图2，每一个像素点预测6个default box，则预测了19 * 19 * 6=2166个框；
  10. 对于特征图3，每一个像素点预测6个default box，则预测了10 * 10 * 6=600个框；
  11. 对于特征图4，每一个像素点预测6个default box，则预测了5* 5 * 6=150个框；
  12. 对于特征图5，每一个像素点预测4个default box，则预测了3* 3 * 4=36个框；
  13. 对于特征图6，每一个像素点预测4个default box，则预测了1* 1 * 4=4个框；
  14. 则一共预测了5776+2166+600+150+36+4=8732个框。这些框经过Fast NMS 得到最终预测框。

论文中将Detector & classifier 称作 PriorBox 层。

3. PriorBox 层

做什么：

  1. 得到default box；（按照不同的长宽比）
  2. 吸取Yolo的优点，在网络直接输出每个框的4个位置和预测类别概率；
    在这里插入图片描述
  1. 生成默认候选框default box；（对标Faster-RCNN中anchor）生成后会利用设定的4个variance做位置微调，回归调整候选框；
  2. Conv3 ×3：生成location，4个位置偏移；
  3. Conv3×3：confidence，21个类别置信度（要区分出背景）。
  • location和confidence
    -用来过滤和训练。
  • Detector & classifier的作用
    - SSD的核心是在不同尺度的特征图上进行Detector & classifier 容易使得SSD观察到更小的物体。

4. 训练和测试过程

4.1 训练过程

  • 输入 -> 输出 -> 结果与GT bbox标记样本回归损失计算 -> 反向传播，更新权值
  1. 样本标记：
    先将prior box 与 ground truth box做匹配进行标记正负样本，每次并不训练8732张计算好的default boxes，先进行置信度的筛选，并且训练指定的正样本和负样本，如下规则
    - 正样本：1.与GT重合度最高的boxes 2.与GT的IoU超过一定阈值的
    - 负样本：其他样本
    - 比例正：负=1：3
  2. 损失： 置信度softmax，位置回归Smooth L1 Loss

4.2 测试过程

  • 输入 -> 输出 -> NMS -> 输出

5. 总结

在这里插入图片描述

编程小号
上一篇 2025-02-18 23:51
下一篇 2025-03-10 23:21

相关推荐

版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 举报，一经查实，本站将立刻删除。
如需转载请保留出处：https://bianchenghao.cn/bian-cheng-ji-chu/83885.html