姓名:王咫毅
學(xué)號:19021211150
【嵌牛導(dǎo)讀】CNN如此風(fēng)靡前方,其衍生算法也是層出不窮,各種衍生算法也可以應(yīng)用于各種應(yīng)用場景镊尺,各類場合悲立。本文則是了解每個(gè)衍生算法的各個(gè)使用場景、原理及方法档冬。
【嵌牛鼻子】RCNN 目標(biāo)檢測
【嵌牛提問】RCNN系列算法有何區(qū)別和聯(lián)系膘茎?
【嵌牛正文】
轉(zhuǎn)載自:http://www.reibang.com/p/51fc039ae7a4
在生活中,經(jīng)常會遇到這樣的一種情況酷誓,上班要出門的時(shí)候辽狈,突然找不到一件東西了,比如鑰匙呛牲、手機(jī)或者手表等。這個(gè)時(shí)候一般在房間翻一遍各個(gè)角落來尋找不見的物品驮配,最后突然一拍大腦娘扩,想到在某一個(gè)地方,在整個(gè)過程中有時(shí)候是很著急的壮锻,并且越著急越找不到琐旁,真是令人沮喪。但是猜绣,如果一個(gè)簡單的計(jì)算機(jī)算法可以在幾毫秒內(nèi)就找到你要找的物品灰殴,你的感受如何?是不是很驚奇掰邢!這就是對象檢測算法(object detection)的力量牺陶。雖然上述舉的生活例子只是一個(gè)很簡單的例子,但對象檢測的應(yīng)用范圍很廣辣之,跨越多個(gè)不同的行業(yè)掰伸,從全天候監(jiān)控到智能城市的實(shí)時(shí)車輛檢qian測等。簡而言之怀估,物體檢測是強(qiáng)大的深度學(xué)習(xí)算法中的一個(gè)分支狮鸭。
在本文中合搅,我們將深入探討可以用于對象檢測的各種算法。首先從屬于RCNN系列算法開始歧蕉,即RCNN灾部、 Fast RCNN和 Faster RCNN。在之后的文章中惯退,將介紹更多高級算法赌髓,如YOLO、SSD等蒸痹。
1.解決對象檢測任務(wù)的簡單方法(使用深度學(xué)習(xí))
下圖說明了對象檢測算法是如何工作春弥。圖像中的每個(gè)對象,從人到風(fēng)箏都以一定的精度進(jìn)行了定位和識別叠荠。
下面從最簡單的深度學(xué)習(xí)方法開始匿沛,一種廣泛用于檢測圖像中的方法——卷積神經(jīng)網(wǎng)絡(luò)(CNN)。如果讀者對CNN算法有點(diǎn)生疏榛鼎,建議閱讀此文逃呼。
這里僅簡要總結(jié)一下CNN的內(nèi)部運(yùn)作方式:
首先將圖像作為輸入傳遞到網(wǎng)絡(luò),然后通過各種卷積和池化層處理者娱,最后以對象類別的形式獲得輸出抡笼。
對于每個(gè)輸入圖像皆辽,會得到一個(gè)相應(yīng)的類別作為輸出哼丈。因此可以使用這種技術(shù)來檢測圖像中的各種對象。
1.首先课兄,將圖像作為輸入框沟;
2.然后藏古,將圖像分成不同的區(qū)域;
3.然后忍燥,將每個(gè)區(qū)域視為單獨(dú)的圖像拧晕;
4.將所有這些區(qū)域傳遞給CNN并將它們分類為各種類別;
5.一旦將每個(gè)區(qū)域劃分為相應(yīng)的類后梅垄,就可以組合所有這些區(qū)域來獲取具有檢測到的對象的原始圖像:
使用這種方法會面臨的問題在于厂捞,圖像中的對象可以具有不同的寬高比和空間位置。例如队丝,在某些情況下靡馁,對象可能覆蓋了大部分圖像,而在其他情況下机久,對象可能只覆蓋圖像的一小部分奈嘿,并且對象的形狀也可能不同。
基于此吞加,需要?jiǎng)澐执罅康膮^(qū)域裙犹,這會花費(fèi)大量的計(jì)算時(shí)間尽狠。因此,為了解決這個(gè)問題并減少區(qū)域數(shù)量叶圃,可以使用基于區(qū)域的CNN袄膏,它使用提議方法選擇區(qū)域。
2.基于區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)
2.1 RCNN的思想
RCNN算法不是在大量區(qū)域上工作掺冠,而是在圖像中提出了一堆方框沉馆,并檢查這些方框中是否包含任何對象。RCNN 使用選擇性搜索從圖像中提取這些框德崭。
下面介紹選擇性搜索以及它如何識別不同的區(qū)域斥黑。基本上四個(gè)區(qū)域形成一個(gè)對象:不同的比例眉厨、顏色锌奴、紋理和形狀。選擇性搜索在圖像中識別這些模式憾股,并基于此提出各種區(qū)域鹿蜀。以下是選擇性搜索如何工作的簡要概述:
首先, 將圖像作為輸入:
然后服球,它生成初始子分段茴恰,以便獲得多個(gè)區(qū)域:
之后,該技術(shù)組合相似區(qū)域以形成更大的區(qū)域(基于顏色相似性斩熊、紋理相似性往枣、尺寸相似性和形狀兼容性):
最后,這些區(qū)域產(chǎn)生最終的對象位置(感興趣的區(qū)域)粉渠;
下面是RCNN檢測對象所遵循的步驟的簡要總結(jié):
1.首先采用預(yù)先訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)分冈;
2.重新訓(xùn)練該模型模型——根據(jù)需要檢測的類別數(shù)量來訓(xùn)練網(wǎng)絡(luò)的最后一層(遷移學(xué)習(xí));
3.第三步是獲取每個(gè)圖像的感興趣區(qū)域渣叛。然后,對這些區(qū)域調(diào)整尺寸盯捌,以便其可以匹配CNN輸入大写狙谩;
4.獲取區(qū)域后饺著,使用SVM算法對對象和背景進(jìn)行分類箫攀。對于每個(gè)類,都訓(xùn)練一個(gè)二分類SVM幼衰;
最后靴跛,訓(xùn)練線性回歸模型,為圖像中每個(gè)識別出的對象生成更嚴(yán)格的邊界框渡嚣;
[對上述步驟進(jìn)行圖解分析](http://www.robots.ox.ac.uk/~tvg/publications/talks/Fast-rcnn-slides.pdf):
首先梢睛,將圖像作為輸入:
然后肥印,使用一些提議方法獲得感興趣區(qū)域(ROI)(例如,選擇性搜索):
之后绝葡,對所有這些區(qū)域調(diào)整尺寸深碱,并將每個(gè)區(qū)域傳遞給卷積神經(jīng)網(wǎng)絡(luò):
然后,CNN為每個(gè)區(qū)域提取特征藏畅,SVM用于將這些區(qū)域劃分為不同的類別:
最后敷硅,邊界框回歸(Bbox reg)用于預(yù)測每個(gè)已識別區(qū)域的邊界框:
以上就是RCNN檢測物體的全部流程。
2.2 RCNN的問題
從上節(jié)內(nèi)容可以了解到RCNN是如何進(jìn)行對象檢測的愉阎,但這種技術(shù)有其自身的局限性绞蹦。以下原因使得訓(xùn)練RCNN模型既昂貴又緩慢:
基于選擇性搜索算法為每個(gè)圖像提取2,000個(gè)候選區(qū)域;
使用CNN為每個(gè)圖像區(qū)域提取特征榜旦;
RCNN整個(gè)物體檢測過程用到三種模型:
CNN模型用于特征提扔钠摺;
線性svm分類器用于識別對象的的類別章办;
回歸模型用于收緊邊界框锉走;
這些過程相結(jié)合使得RCNN非常慢,對每個(gè)新圖像進(jìn)行預(yù)測需要大約40-50秒藕届,這實(shí)際上使得模型在面對巨大的數(shù)據(jù)集時(shí)變得復(fù)雜且?guī)缀醪豢赡軕?yīng)用挪蹭。
好消息是存在另一種物體檢測技術(shù),它解決了RCNN中大部分問題休偶。
3.了解Fast RCNN
3.1Fast RCNN的思想
RCNN的提出者Ross Girshick提出了這樣的想法梁厉,即每個(gè)圖像只運(yùn)行一次CNN,然后找到一種在2,000個(gè)區(qū)域內(nèi)共享該計(jì)算的方法踏兜。在Fast RCNN中词顾,將輸入圖像饋送到CNN,CNN生成卷積特征映射碱妆。使用這些特征圖提取候選區(qū)域肉盹。然后,使用RoI池化層將所有建議的區(qū)域重新整形為固定大小疹尾,以便將其饋送到全連接網(wǎng)絡(luò)中上忍。
下面將其分解為簡化概念的步驟:
1.首先將圖像作為輸入;
2.將圖像傳遞給卷積神經(jīng)網(wǎng)絡(luò)纳本,生成感興趣的區(qū)域窍蓝;
3.在所有的感興趣的區(qū)域上應(yīng)用RoI池化層,并調(diào)整區(qū)域的尺寸繁成。然后吓笙,每個(gè)區(qū)域被傳遞到全連接層的網(wǎng)絡(luò)中;
4.softmax層用于全連接網(wǎng)以輸出類別巾腕。與softmax層一起面睛,也并行使用線性回歸層絮蒿,以輸出預(yù)測類的邊界框坐標(biāo)。
因此侮穿,F(xiàn)ast RCNN算法中沒有使用三個(gè)不同的模型歌径,而使用單個(gè)模型從區(qū)域中提取特征,將它們分成不同的類亲茅,并同時(shí)返回所標(biāo)識類的邊界框回铛。
對上述過程進(jìn)行可視化講解:
將圖像作為輸入:
將圖像傳遞給卷積神經(jīng)網(wǎng)絡(luò)t,后者相應(yīng)地返回感興趣的區(qū)域:
然后克锣,在提取的感興趣區(qū)域上應(yīng)用RoI池層茵肃,以確保所有區(qū)域具有相同的大小:
最后袭祟,這些區(qū)域被傳遞到一個(gè)全連接網(wǎng)絡(luò)验残,對其進(jìn)行分類,并同時(shí)使用softmax和線性回歸層返回邊界框:
上述過程說明了Fast RCNN是如何解決RCNN的兩個(gè)主要問題巾乳,即將每個(gè)圖像中的1個(gè)而不是2,000個(gè)區(qū)域傳遞給卷積神經(jīng)網(wǎng)絡(luò)您没,并使用一個(gè)模型來實(shí)現(xiàn)提取特征、分類和生成邊界框胆绊。
3.2Fast RCNN的問題
Fast RCNN也存在一定的問題氨鹏,它仍然使用選擇性搜索作為查找感興趣區(qū)域的提議方法,這是一個(gè)緩慢且耗時(shí)的過程压状,每個(gè)圖像檢測對象大約需要2秒鐘仆抵。
因此,又開發(fā)了另一種物體檢測算法——Faster RCNN种冬。
4.了解Faster RCNN
4.1. Faster RCNN的思想
Faster RCNN是Fast RCNN的修改版本镣丑,二者之間的主要區(qū)別在于,F(xiàn)ast RCNN使用選擇性搜索來生成感興趣區(qū)域娱两,而Faster RCNN使用“區(qū)域提議網(wǎng)絡(luò)”莺匠,即RPN。RPN將圖像特征映射作為輸入十兢,并生成一組提議對象趣竣,每個(gè)對象提議都以對象分?jǐn)?shù)作為輸出。
以下步驟通常采用Faster RCNN方法:
1.將圖像作為輸入并將其傳遞給卷積神經(jīng)網(wǎng)絡(luò)纪挎,后者返回該圖像的特征圖期贫;
2.在這些特征圖上應(yīng)用RPN跟匆,返回提議對象及其分?jǐn)?shù)异袄;
3.在這些提議對象上應(yīng)用RoI池層,以將所有提案降低到相同的大新瓯邸烤蜕;
4.最后封孙,將提議傳遞到全連接層,該層在其頂部具有softmax層和線性回歸層讽营,以對對象的邊界框進(jìn)行分類和輸出虎忌;
這里簡要解釋一下RPN是如何運(yùn)作的:
首先,F(xiàn)aster RCNN從CNN獲取特征圖并將它們傳遞到區(qū)域提議網(wǎng)絡(luò)橱鹏。RPN在這些特征圖上使用滑動(dòng)窗口膜蠢,每個(gè)窗口生成不同形狀和大小的k個(gè)方框( Anchor boxe):
方框是固定尺寸的邊界箱,具有不同的形狀和尺寸莉兰。對于每個(gè)方框挑围,RPN預(yù)測兩件事:
預(yù)測錨是對象的概率;
用于邊界框回歸器調(diào)整錨點(diǎn)以更好地適合物體的形狀糖荒;
在有了不同形狀和大小的邊界框后杉辙,將其傳遞到RoI池層。對每個(gè)提案并對其進(jìn)行裁剪捶朵,以便每個(gè)提案都包含一個(gè)對象蜘矢。這就是RoI池層所做的事情,它為每個(gè)方框提取固定大小的特征圖:
然后將這些特征圖傳遞到全連接層综看,該層具有softmax和線性回歸層品腹,最終對對象進(jìn)行分類并預(yù)測已識別對象的邊界框。
4.2Faster RCNN的問題
上述討論過的所有對象檢測算法都使用區(qū)域來識別對象寓搬,且網(wǎng)絡(luò)不會一次查看完整圖像珍昨,而是按順序關(guān)注圖像的某些部分,這樣會帶來兩個(gè)復(fù)雜性的問題:
該算法需要多次通過單個(gè)圖像來提取到所有對象句喷;
由于不是端到端的算法镣典,不同的系統(tǒng)一個(gè)接一個(gè)地工作,整體系統(tǒng)的性能進(jìn)一步取決于先前系統(tǒng)的表現(xiàn)效果唾琼。
作者:阿里云云棲社區(qū)
鏈接:http://www.reibang.com/p/51fc039ae7a4
來源:簡書
著作權(quán)歸作者所有兄春。商業(yè)轉(zhuǎn)載請聯(lián)系作者獲得授權(quán),非商業(yè)轉(zhuǎn)載請注明出處锡溯。