计算机视觉目标检测研究札记

摘要: 写一篇小结,记录目标检测算法近期的学习笔记。


Pathlib--Python的路径管理库

摘要: 整理了Pathlib的使用方法,便于速查。


Batch-Normalization(批量归一化)

BN不得不了解的深度学习技术~

摘要: 借重读论文的机会,重新整理一下Batch Normalization的关键技术。


机器在学习——EDA

EDA


机器在学习-线性回归与分类

Test Picture

算法理论

集成学习

集成方法 的目标是把多个使用给定学习算法构建的基估计器的预测结果结合起来,从而获得比单个估计器更好的泛化能力/鲁棒性。

集成方法通常分为两种:

  • 平均方法,该方法的原理是构建多个独立的估计器,然后取它们的预测结果的平均。一般来说组合之后的估计器是会比单个估计器要好的,因为它的方差减小了。

    示例: Bagging 方法 , 随机森林 , …

  • 相比之下,在 boosting 方法 中,基估计器是依次构建的,并且每一个基估计器都尝试去减少组合估计器的偏差。这种方法主要目的是为了结合多个弱模型,使集成的模型更加强大。

    示例: AdaBoost , 梯度提升树 , …


机器在学习-KNN

KNN


机器在学习-决策树(Dicision Tree)

Test Picture

摘要:


机器在学习-线性回归与分类

Test Picture


HMM与Veterbi算法

Test Picture

摘要:


经典网络复现之GoogleNet

inception

摘要: 本文记录利用ImageNet数据集复现经典网络GoogLeNet的过程,并记录在大型数据集训练过程中需要考虑的问题。


经典网络复现之ResNet

Residual Module

摘要: 本文记录利用ImageNet数据集复现经典网络ResNet的过程,并记录在大型数据集训练过程中需要考虑的问题。


经典网络复现之SqueezeNet

Fire-Module

摘要: 本文记录利用ImageNet数据集复现经典网络SqueezeNet的过程,并记录在大型数据集训练过程中需要考虑的问题。


经典网络复现之VGGNet

VGGNet

摘要: 本文记录利用ImageNet数据集复现经典网络VGGNet的过程,并记录在大型数据集训练过程中需要考虑的问题。


经典网络复现之AlexNet

Test Picture

摘要: 本文记录利用ImageNet数据集复现经典网络AlexNet的过程,并记录在大型数据集训练过程中需要考虑的问题。


ImageNet-DataSet

ImageNET

摘要:


深度学习实践方法论

Test Picture

摘要: 深度学习实践的方法论是一套靠经验而非算法总结的行之有效的指导,后续随着研究深入将不断更新补充相关内容。


Thinking Stats

Pandas技巧


Feature_Visualization_in_NN

features

摘要:


经典网络归纳: ResNet

Test Picture

摘要: 作为深度卷积神经网络的里程碑式的作品,ResNet为卷积网络往更深层次扩展指明了方向,本文结合相关论文总结一下ResNet中创造性的想法。


Everything-About-SVM

摘要:


Backpropagation in Neural Network

摘要: 反向传播毋庸置疑是整个神经网络的精髓,正是由于它的提出标志着深度神经网络的训练在有限算力基础上成为可能,但反向传播本身的原理同样值得品读和思考。

本文主要总结神经网络中反向传播算法的推导流程并挖掘一些深层次的原理。反向传播算法在1970年就已经提出,直到1986年 David Rumelhart, Geoffrey Hinton, and Ronald Williams在一篇论文中对其实现的分析才得以普及。

1. 表达式的定义

  • $w_{jk}^l$ 代表第l−1层第k个神经元,与第l层第j个神经元之间的权重(注意j与k的顺序);
  • $b_j^l$ 代表第l层中第j个神经元的偏移;
  • $a_j^l$ 代表第l层中第j个神经元的激活函数值;
  • $L$ 代表神经网络的总层数;
  • $J(W,b)$ 简写为$J$ 代表神经网络的代价函数;

假设我们有$m$ 个训练样本${(x^{(1)},y^{(1)}),…, (x^{(m)},y^{(m)})}$ ,对于每个训练样本$(x,y)$ 定义代价函数为:

对于$m$个训练样本,总的代价函数为:

根据神经网络层与层之间关系的定义,我们有如下表达式(向量形式):

其中

利用梯度下降法进行目标优化使用的主要梯度更新公式:

因为神经网络的复杂性导致$\frac{\partial J}{\partial w^l}$ 无法直接计算或者计算代价太大(每个权重的计算都需要进行一次前向传播),反向传播的目的在于提供一种更加高效的手段,完成上述梯度的更新操作。

2. 反向传播的直观理解

反向传播是用于理解改变网络中的任一权重如何影响网络代价函数的过程。假设神经网络中某个权重$w_{jk}^l$

产生了轻微的扰动误差 $\Delta w_{jk}^l$ ,扰动误差导致该神经元的输出产生误差 $\Delta z_j^l$ ,这个扰动将使对应的神经元$a_j^l$ 产生一个扰动误差 $\Delta a_j^l$ ,该误差将逐步向后层传递,直至达到输出层,并最终影响代价函数,生成一个代价误差 $\Delta J = \frac{\partial J}{\partial z_j^l}\Delta z_j^l$ 。我们可以给出如下式子来为通过误差近似计算梯度提供方向:

其中,$\delta_j^l$ 可以定义为$l$层第$j$个神经元上的误差。

我们先从计算最后一层误差$\delta_j^L$ 开始,

公式E1(向量形式):

证明

现在把问题转变为如何利用反向传播由后往前逐步计算误差$\delta_j^l$ ,为计算不同层之间误差之间的关系,利用链式法则给出如下推理过程:

公式E2

有了以上误差的反向传播计算方法,我们可以利用计算的误差计算权重的梯度如下:

公式E3

公式E4

其中公式(4)也可以写成:

证明:

另一种求解方式

如何我们令$\delta_j^l =\frac{\partial J}{\partial a_j^l}$ 也可以按照上述过程类似的方法推到出相关公式

3. 反向传播算法的计算流程

  1. 输入$x$,令$a^1=z^1=x$;
  2. 前向传播: 对于每层$l=2,3,…,L$计算$z^l$和$a^l$;
  3. 根据公式E1计算输出误差:$\delta^L = \nabla_a J \odot \sigma’(z^L)$ ;
  4. 反向传播:对于每层$l=L-1,L-2,…,2$ 利用公式E2计算误差:$\delta^l = ((w^{l+1})^T \delta^{l+1}) \odot \sigma’(z^l)$ ;
  5. 利用公式E3E4计算参数梯度;
  6. 更新权重

参考

  1. CS231n讲义:Backpropagation, Intuitions
  2. Neural Networks and Deep Learning
  3. Machine Learning Cousera Course

物体识别技术之Faster R-CNN

摘要: 2015年提出的Faster R-CNN架构在基于机器视觉的物体识别领域占据重要的地位,从R-CNN到fast R-CNN再到faster R-CNN,乃至后续的Mask-R-CNN形成了一条完整的两步识别的物体识别技术生态。

概述

物体识别技术一直是机器视觉中业务场景最丰富,关注度最高的一个类别。将花几期来分别对主流的物体识别技术如Faster RCNN,SSD,YOLO,Mask-RCNN进行整理和分析,并利用实践的方式进行强化。

在R-CNN,Fast R-CNN,Faster R-CNN中,物体识别被分为两个步骤实现(与SSD、YOLO的主要差异):候选区域选择和基于深度网络的物体识别。

传统的物体识别算法

传统的物体识别技术采用的滑动窗口+图像金字塔+分类器的算法,可以参见前述博文在基于机器视觉技术的品牌LOGO检测中做的实际测试,原理易于理解,但效率较低,很难达到实时处理的需求:

  1. 速度慢,效率低:需要利用滑动窗口遍历图像的不同位置;
  2. 受图像畸变影响严重:由于CNN的输入必须是固定大小的图像,所以限制了检测目标的长宽比例,比如这种方法不能同时检测矮胖对象和长瘦对象;
  3. 错误率高,没法识别图像的全局特征,每个窗口只能看到局部特征,所以检测精度也受到了比较大的影响。

物体识别精度的衡量指标

  • IoU(Intersection over Union)

    IoU

  • mAP(Mean Average Precision)

    • 所有分类的IoU均值;

参考论文

  1. R-CNN: Rich feature hierarchies for accurate object detection and semantic segmentation
  2. Faster R-CNN

R-CNN

论文: Rich feature hierarchies for accurate object detection and semantic segmentation,2013,Girshick

问题:解决目标检测网络

R-CNN的实现包括如下图所示的4个主要步骤:

  1. 接受输入图像;
  2. 利用Selective Search算法从图像中抽取大约2000个候选区域;
  3. 对每个候选区域利用预训练的CNN进行特征抽取(迁移学习);
  4. 对每个特征抽取区域利用线性SVM进行分类

R-CNN

论文的主要贡献:

  1. 使用Selective Search替代了特征金字塔和滑动窗口实现的兴趣区域选择,提升了效率;
  2. 利用预训练的神经网络进行特征提取替代了手工特征如HOG的特征提取方法,正是由于CNN学习的特征具备的鲁棒性大大提供了系统的泛化性能

仍然存在的问题:

  1. 识别慢,效率低;
  2. 不是一个端到端的解决方案

Selective Search算法

论文:Selective Search for Object Recognition,2012,J.R.R.Uijings

之前很多算法都是基于蛮力搜索(Exhaustive Search),对整张图片进行扫描,或者是采用动态窗口的方法,这种方法耗时严重,操作麻烦。J.R.R提出的选择性搜索的方法,在识别前期在整张图片中生成1~3K个proposal的方法,再对每个proposal进行处理。

Selective Search [4], one of the most popular methods, greedily merges superpixels based on engineered low-level features.

缺点:效率低,计算量大,使用1个CPU处理一张图片,需要2s1

Fast R-CNN

问题提出:解决端到端训练的问题,提出了Region of Interest(ROI)Pooling

跟R-CNN中使用深度CNN的方式不同,Fast R-CNN中首先将CNN应用到整个图像中进行特征提取,利用一个固定窗口在抽取特征上滑动,分别进行分类预测和回归预测。Fast R-CNN的主要处理流程包括:

  1. 输入图像和标定的识别框信息;
  2. 利用深度卷积神经网络抽取图像特征;
  3. 利用ROI pooling获取ROI特征向量;
  4. 利用两个全联通层进行分类和回归预测

Fast RCNN

端到端的训练过程源于提出了多任务损失函数,将分类问题和回归问题整合在一起,打通了梯度的更新路径,下图描述了Fast R-CNN的训练和测试过程:

fast R-CNN 训练与测试

缺点:仍然没有摆脱Selective Search算法在推理阶段进行候选区域生成。

Faster R-CNN

论文:Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks, 2015, Shaoqing Ren, Kaiming He, Ross Girshick, Jian Sun

实现:Github上作者提供的Python实现

商业实现:Pinterests2

问题提出:在基于候选区域选择的CNN(region-based CNN)物体识别网络中,候选区域选择的效率成为了整个系统的瓶颈;Faster R-CNN中提出了Region Proposal Netwrok与物体识别网络共享网络参数(替代了Fast R-CNN中的Selective Search算法),降低了候选区域选择的时间代价。

  • 基础网络(Base Network):特征抽取(迁移学习),抽取的特征将同时应用于RPN和RoIP阶段
  • RPN:候选区域选择(利用了网络的Attention机制),用于发掘图像中潜在的可能存在物体的区域
  • RoIP:兴趣区域特征提取
  • R-CNN:分类预测和候选框回归

fasterrcnn-architecture.b9035cba

使用一块GPU,性能大概在7-10 FPS

基础网络

基础网络的主要作用是利用迁移学习完成原始图像的特征抽取,在论文中使用了 在ImageNet预训练的ZFVGG来完成这一任务。当然根据物体识别任务的不同应用场景可以在模型精度和推理时间上进行折中选择 MobileNet, ResNet-152, DenseNet

文献中,Faster R-CNN的基础网络在使用VGG作为特征提取网络时,使用conv5/conv5_1层的输出特征;

目前ResNet在很多情况下已经替代了VGG16作为特征提取网络;

为了保证网络是全卷积神经网络架构,需要把全连接层剔除,保证可以输入任意维度的输入图像

base-network

Anchor Box

替代传统算法的特征金字塔或filter金字塔

一张图像中被识别目标形状大小各异,这也是在原始算法中加入特征金子塔来对原始图像进行多个维度特征变换的原因。

Anchor Box也是为了解决上述问题,我们可以不改变图像的形状,通过改变预测每个区域物体的“窗口”来框出不同大小的物体。首先在原始图像中均匀的选取一些Anchor Box中心点,然后在每个中心点上预制多个Anchor Box。

anchors-centers.141181d6

在Faster R-CNN是使用3个不同形状(1:1, 1:2,2:1)和3个不同大小(128x128,256x256,512x512,按照原图尺寸生成)进行组合共计3x3=9种不同的Anchor box。

使用VGG16做特征提取的情况下,一张输入图片总共可以刻画为512个窗口区域,生成512x(4+2)x9个输出参数。

anchors-progress.119e1e92

由于直接预测bouding box难以实现,作者将问题转变为预测预测值与真实值之间的偏移,将问题转变为四个偏移值的预测问题。

Region Proposal Network(RPN)

RPN的主要目的是对每个区域是否可能有物体进行打分,基于打分值决定是否进行下一步的分类任务。在基础网络抽取的特征图上使用一个3x3的滑动窗口(512个卷积核),每个滑动窗口的中心点位置为上述Achor Box的中心点区域,在每个滑动窗口区域,将得到两个1x1卷积网络输出,分别为2k的前景/背景预测(该区域是否存在可被预测物体,分类问题)以及4k的位置信息预测(回归问题),四个值分别是

k是Anchor Box的数目

我们将从候选区域中选择打分较高的前N个进行下一轮分析,如果物体打分足够高,下一步将进行非极大抑制和区域选择,如果打分值很低将抛弃这些区域

rpn-conv-layers.63c5bf86

目标和损失函数

The RPN does two different type of predictions: the binary classification and the bounding box regression adjustment.

For training, we take all the anchors and put them into two different categories. Those that overlap a ground-truth object with an Intersection over Union (IoU) bigger than 0.5 are considered “foreground” and those that don’t overlap any ground truth object or have less than 0.1 IoU with ground-truth objects are considered “background”.

其中分类的损失函数为:

$p_i$为第$i$个参考框是物体的预测概率值,$p_i^*$为实际值,如果anchor是物体的话该值为1,否则为0。

回归损失函数为:

其中R为smooth L1平滑方程:

$t_i$与 $ t_i^ $ 分别对应四个偏差值。$ t_i $ 是预测框与anchor之间的偏差,$ t_i^ $ 是ground truth与anchor之间的偏差

参数选择

参数选择与其说是一个技术活倒不如认为是一个经验活,是通过大量实践验证出来的最佳实践,所以有必要分析整理每篇文章对参数选择和优化的技巧。

  • 非极大抑制的IoU阈值一般使用0.6
  • 论文中关于候选区域选择了N=2000,但一般而言比这个小的数目也能取得不错的效果,比如50,100 …

Region of Interest(ROI)Pooling

ROI阶段的主要作用为使用矩阵操作(Array Slicing)从特征图中捕获N个兴趣区域,并降采样到7x7xD的尺寸,服务于接下来的全联同网络。

roi

Region-based CNN

使用两个不同的全联通网络(Fully-Connected Network,FC):

  • A fully-connected layer with N+1units where N is the total number of classes and that extra one is for the background class.
  • A fully-connected layer with 4N units. We want to have a regression prediction, thus we need $\Delta{center{x}}$, $\Delta{center{y}}$, $\Delta{width}$, $\Delta{height}$ for each of the N possible classes.

rcnn-architecture.6732b9bd

在这个步骤中同样由两个损失函数构成:Categorical cross-entropy分类损失和Smooth L1回归损失

网络训练

  • 实验表明:联合训练(使用weighted sum)优于单独训练两个网络;
    • 将每个阶段的4个损失函数(其中RPN阶段2个,R-CNN阶段2个)组合在一起,并赋不同的权重,分类损失需要获得比回归损失更多的权重;
    • 使用L2正则损失
  • 是否单独训练基础网络取悦于目标与预训练网络的差异,这个跟迁移学习类似;
  • 使用带动量的随机梯度下降(SGD with momentum),其中monmentum=0.9,初始学习率lr=0.001, 50k步之后,lr调整为0.0001

实践时间

数据集:LISA交通标志数据库

  • 下载地址:http://cvrr.ucsd.edu/LISA/lisa-traffic-sign-dataset.html
  • 47 US sign types
  • 7855 annotations on 6610 frames.
  • Sign sizes from 6x6 to 167x168 pixels.
  • Images obtained from different cameras. Image sizes vary from 640x480 to 1024x522 pixels.
  • Some images in color and some in grayscale.
  • Full version of the dataset includes videos for all annotated signs.
  • Each sign is annotated with sign type, position, size, occluded (yes/no), on side road (yes/no).
  • All annotations are save in plain text .csv-files.
  • ~7.7GB大小

参考

1. Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks, 2015, Shaoqing Ren, Kaiming He, Ross Girshick, Jian Sun
2. D. Kislyuk, Y. Liu, D. Liu, E. Tzeng, and Y. Jing, “Human curation and convnets: Powering item-to-item recommendations on pinterest,” arXiv:1511.04003, 2015.
3. Faster R-CNN: Down the rabbit hole of modern object detection
Your browser is out-of-date!

Update your browser to view this website correctly. Update my browser now

×