paper 111:图像分类物体目标检测 from RCNN to YOLO

时间:2024-09-05 23:05:08

参考列表

Selective Search for Object Recognition 
Selective Search for Object Recognition(菜菜鸟小Q的专栏) 
Selective Search for Object Recognition(Surge) 
Selective Search for Object Recognition(原始论文) 
Efficient Graph-Based Image Segmentation(快速图像分割) 
Homepage of Koen van de Sande

非极大值抑制(Non-maximum suppression)在物体检测领域的应用 
Efficient Non Maximum Suppression 笔记(不完整版)

如何评价rcnn、fast-rcnn和faster-rcnn这一系列方法? 
RCNN的安装与简单使用

Ross B. Girshick(RCNN系列开创者) 
rbg’s home page

RCNN 
Rich feature hierarchies for accurate object detection and semantic segmentation 
https://github.com/rbgirshick/rcnn

Fast RCNN 
Fast R-CNN 
https://github.com/rbgirshick/fast-rcnn

Faster RCNN 
Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks 
https://github.com/rbgirshick/py-faster-rcnn 
https://github.com/ShaoqingRen/faster_rcnn

You Only Look Once 
You Only Look Once: Unified, Real-Time Object Detection 
YOLO Object Detection(视频)

RCNN

最早的物体识别,是通过窗口扫描的方式进行,并且需要对图片进行几个级别的缩放来重复进行。 
这种方式非常暴力,计算量大。 
RCNN主要解决的是去掉窗口扫描,用聚类方式,对图像进行分割分组,得到多个侯选框的层次组。 
分割分组方法有很多,RCNN用到的是Selective Search。

以下就是RCNN的结构。

paper 111:图像分类物体目标检测   from  RCNN to  YOLO

  • 从原始图片,通过Selective Search提取出区域候选框,有2000个左右
  • 把所有侯选框缩放成固定大小
  • 然后通过CNN网络,提取特征
  • 再添加两个全链接层,然后再用SVM分类,回归来微调选框位置与大小

Fast RCNN

RCNN有两千个左右的候选框,都要进行CNN操作。但候选框有大量重叠,造成重复计算。 
Fast RCNN就是解决这个问题的。

paper 111:图像分类物体目标检测   from  RCNN to  YOLO

  • 利用CNN(卷积神经网络),得到整个原始图片的特征层
  • 在原始图片上通过Selective Search等方法,提取出域候选框
  • 把候选框投影到最后的特征层,并进行Max-Pooling采样,得到固定大小的特征矩形
  • 然后再通过两个全连接层,分别用softmax分类,regressor进行选框位置与大小微调

Faster RCNN

在上面的 RCNN 与 Fast RCNN中,相对于在GPU上计算的CNN,在CPU上运行的提取候选框效率低下,一张图片大概需要2秒。 
Faster RCNN则直接利用CNN来计算候选框,方式如下:

paper 111:图像分类物体目标检测   from  RCNN to  YOLO

  • 原始图片经过CNN,得到最后的卷积特征
  • 利用3×3的矩形进行扫描,得到256维的向量(相当于再添加了一个卷积层,卷积核为3×3,输出特征数为256)
  • 3×3的特征层映射到最初图片,是一块比较大的固定区域,在此固定区域上进行长宽变形,比如分别3个缩放级别,则一共有9个不同的矩形区域,称做anchor box。9就是上图中的k值。
  • 对上图中的k个anchor box进行是否是物体判断预测,和矩形框位置与大小微调
  • 选出物体框后,再利用同Fast RCNN同样的方式,对物体类别进行判断
  • 选框与分类使用同样的CNN网络

一张1000×600的图片,大概可以得到20k个anchor box(60×40×9)。 
anchor box的设置应比较好的覆盖从大到小的区域,如下图:

paper 111:图像分类物体目标检测   from  RCNN to  YOLO

注 
这里有一点疑惑,3×3的卷积核对应的原始图是块固定区域(感受野),并没有包含区域外的信息,如何做到预测更大区域的物体位置? 
或者类似于人的感知,比如只看到部分人像,推测整个人像的大小?看到老虎的头,预测整个老虎的位置与大小?

You Only Look Once

Faster RCNN需要对20k个anchor box进行判断是否是物体,然后再进行物体识别,分成了两步。 
YOLO(You Only Look Once)则把物体框的选择与识别进行了结合,一步输出,即变成”You Only Look Once”。 
所以识别速度非常快,达到每秒45帧,而在快速版YOLO(Fast YOLO,卷积层更少)中,可以达到每秒155帧。 
网络的整体结构如下图:

paper 111:图像分类物体目标检测   from  RCNN to  YOLO

  • 把原始图片缩放成448×448大小
  • 运行单个卷积网络
  • 得到物体的位置与类别

模型如下:

paper 111:图像分类物体目标检测   from  RCNN to  YOLO

  • 把缩放成统一大小的图片分割成S×S的单元格
  • 每一个单元格负责输出B个矩形框,每一个框带四个位置信息(x, y, w, h),与一个该框是物体的概率,用Pr(Object)或者C(Confidence)表示
  • 每一个单元格再负责输出C个类别的概率,用Pr(Class∣Object)表示
  • 最终输出层应有S×S×(B∗5+C)个单元

相关说明:

  • 如果一个物体的中心落入一个单元格,则该单元格上的B个矩形框的位置信息都为该物体的位置信息,
  • C个概率中对应该物体类别值为1,其它为0。
  • x, y表示中心相对于单元格左上角的位置偏移,单元格左上角为(0, 0),右下角为(1, 1)
  • w, h表示矩形框的宽与高,都是相对于整个图片的相对值,全副图片大小为(1, 1),长宽都一半就是(0.5, 0.5)

最终输出时,是物体的概率乘以类别概率,才是整体识别到是一个物体的概率:

Pr(class)=Pr(Class∣Object)∗Pr(Object)

在论文You Only Look Once: Unified, Real-Time Object Detection中,S = 7,B = 2,C = 20。 
所以输出的单元数为7×7×30。

具体的网络结构如下:

paper 111:图像分类物体目标检测   from  RCNN to  YOLO

从上图的结构可以看到,倒数第二层是一个全连接层,所以最终的单元输出整合了全局信息,更好地预测图像区域。

训练

整个网络最后一层为线性激活,其它层都为Leaky Rectified Linear激活方式:

ϕ(x)={x,0.1x,if x > 0otherwise

因为一张图片中,大部分单元格中都没有落入物体中心,所以引入两个参数λcoord=5,λnoobj=0.5。 
整个网络的代价函数变成:

J=λcoord∑i=0S2∑j=0B1objij(xi−x^i)2+(yi−y^i)2+λcoord∑i=0S2∑j=0B1objij(wi−−√−w^i−−√)2+(hi−−√−h^i−−√)2+∑i=0S2∑j=0B1objij(Ci−C^i)2+λnoobj∑i=0S2∑j=0B1noobjij(Ci−C^i)2+∑i=0S21objij∑c∈classes(pi(c)−p^i(c))2

因为物体有大有小,如果用差平方来做代价,则造成对大物体位置更好的优化,才发现小物体位置更差的优化,所以上面改成用开方后再做差平方。 
我认为用以下方式可能更好:

(wi−w^iw^i)2+(hi−h^ih^i)2

什么时候跑了实验,有了结果再来确认。

YOLO的局限性

  • 最终有一个全连接层,所以各单元格能够利用全局信息,但是造成初始图片只能缩放成固定大小
  • 初始图片有缩放,则可能对不同缩放比的物体覆盖不全,造成无法识别极端缩放比的物体
  • 每一个单元格只选择一个物体框来用,并只预测一个类别,所以当多个物体中心落入一个单元格时,YOLO无能为力,表现成不能识别到小物体

NMS

通过上面的RCNN, Fast RCNN, Faster RCNN 或 YOLO 方法,图片中的同一个物体,可能识别出来多个选框。 
这时需要进行选优,去掉重复的框。 
非极大值抑制(Non-maximum suppression,NMS)就是拿来干这个的。

paper 111:图像分类物体目标检测   from  RCNN to  YOLO

如上图所示,一共有6个识别为人的框,每一个框有一个置信率。 
现在需要消除多余的:

  • 按置信率排序: 0.95, 0.9, 0.9, 0.8, 0.7, 0.7
  • 取最大0.95的框为一个物体框
  • 剩余5个框中,去掉与0.95框重叠率大于0.6(可以另行设置),则保留0.9, 0.8, 0.7三个框
  • 重复上面的步骤,直到没有框了,0.9为一个框
  • 选出来的为: 0.95, 0.9

两个矩形的重叠率计算方式如下:

paper 111:图像分类物体目标检测   from  RCNN to  YOLO

如图,矩形的左上角坐标为x1, y1, 右下角坐标为x2, y2,两个矩形的面积分别为A, B。

  • 取两个矩形左上角坐标的最大值x1_max, y1_max
  • 取两个矩形右下角坐标的最小值x2_min, y2_min
  • 重叠区域的宽w为max(0, x2_min - x1_max),高h为max(0, y2_min - y1_max)
  • 重叠率为 w×hA+B−w×h

如下的两个矩形,重叠率为0:

paper 111:图像分类物体目标检测   from  RCNN to  YOLO