文章/答案/技术大牛

发布

社区首页 >专栏 >目标检测模型学习笔记

目标检测模型学习笔记

嵌入式视觉

发布于 2022-09-05 06:12:50

71600

代码可运行

文章被收录于专栏：嵌入式视觉嵌入式视觉

运行总次数：0

代码可运行

Contents

目标检测的数据增强

有应用在整张图片上、但不会影响边界框的那种变换，比如从图像分类里借来的颜色变换 (Color Transformations)。
也有不影响整张图片、但改变边界框位置的那种变换，比如图像平移 (Translating) 或剪切 (Shearing) 。
还有只针对边界框里的目标，而进行的变换。

比起图像分类任务的数据扩增，目标检测的难点在于，要保持边界框和发生形变的图像之间的一致性 (Consistency) 。

目标检测基本理论

CNN中的卷积操作

对于某个卷积层，无论输入图像有多少个通道，输出图像通道数总是等于卷积核数量！
对于某个卷积层，无论输入图像有多少个通道，输出图像通道数总是等于卷积核数量!
过滤器的深度其实就是过滤器的数量！
线性回归就是给定输入的特征向量X, 学习一组参数W, 使得经过线性回归后的值跟真实值Y非常接近，即Y=WX。

卷积神经网络层数

VGG16是卷积层conv+全连接层FC层数是16层，ResNet50是卷积层conv+全连接层FC层数是50层，这样命名是因为池化层不产生权重参数。后面的数字代表权值层数量。
resnet残差网络可以找到网络训练的最佳层数。

目标检测经典模型

目标检测经典模型分为：两阶段(2-stage)检测模型和单阶段（1-stage）检测模型。 2-stage检测模型分成两个步骤解决目标检测问题：

生成可能区域(Region Proposal) & CNN提取特征
分类器识别目标类别并修正检测框位置

R-CNN网络结构

R-CNN可被抽象为两个过程：一是基于图片提出若干个可能包含待检测物体的区域（Region Proposal）,使用的算法是Selective Search算法；二是在提出的这些区域上运行当时表现好的分类网络（AlexNet）,以得到每个区域物体的类别。

上图是Fast R-CNN的架构。图片经过feature extractor得到feature map, 同时在原图上运行Selective Search算法并将RoI（Region of Interset，实为坐标组，可与Region Proposal混用）映射到到feature map上，再对每个RoI进行RoI Pooling操作便得到等长的feature vector，将这些得到的feature vector进行正负样本的整理（保持一定的正负样本比例），分batch传入并行的R-CNN子网络，同时进行分类和回归，并将两者的损失统一起来。注：说句题外话，由Selective Search算法提取的一系列可能含有object的boudning box，这些通常称为region proposals或者region of interest（ROI）。

Faster R-CNN网络结构

Faster R-CNN结构图解析

图1

图2

上图1是 Faster R-CNN的流程图，Faster R-CNN的流程图与Fast R-CNN相同，采用外部候选区域方法代替了内部深层网络。上图2是python版本中的VGG16模型中的faster_rcnn_test.pt的网络结构(pascal_voc/VGG16/faster_rcnn_alt_opt/faster_rcnn_test.pt)

Region Proposal Networks(RPN)理解

图3

经典的检测方法生成检测框都非常耗时，如OpenCV adaboost使用滑动窗口+图像金字塔生成检测框；或如R-CNN使用SS(Selective Search)方法生成检测框。而Faster RCNN则抛弃了传统的滑动窗口和SS方法，直接使用RPN生成检测框，这也是Faster R-CNN的巨大优势，能极大提升检测框的生成速度。

上图3展示了RPN网络的具体结构。可以看到RPN网络实际分为2条线，上面一条通过softmax分类anchors获得foreground和background（检测目标是foreground），下面一条用于计算对于anchors的bounding box regression偏移量，以获得精确的proposal。而最后的Proposal层则负责综合foreground anchors和bounding box regression偏移量获取proposals，同时剔除太小和超出边界的proposals。其实整个网络到了Proposal Layer这里，就完成了相当于目标定位的功能。 其实RPN最终就是在原图尺度上，设置了密密麻麻的候选Anchor。然后用cnn去判断哪些Anchor是里面有目标的foreground anchor，哪些是没目标的backgroud。所以，仅仅是个二分类而已！

Faster R-CNN总结

图4

Faster R-CNN是2-stage方法的奠基之作，提出RPN网络取代Selective Search算法使得检测任务可以由神经网络端到端地完成。粗略的讲，Faster R-CNN = RPN + Fast R-CNN，跟RCNN共享卷积计算的特性使得RPN引入的计算量很小，使得Faster R-CNN可以在单个GPU上以5fps的速度运行，而在精度方面达到SOTA（State of the Art，当前最佳）。其最大贡献在于提出Regional Proposal Networks，替代之前的SS算法，使得训练变成端到端的神经网络训练。

RPN网络将这一任务建模为二分类（是否为物体）的问题。

算法第一步是在一个滑动窗口上生成不同大小和长宽比例的anchor box（如上图右边部分），取定IoU的阈值，按Ground Truth标定这些anchor box的正负。于是，传入RPN网络的样本数据被整理为anchor box（坐标）和每个anchor box是否有物体（二分类标签）。RPN网络将每个样本映射为一个概率值和四个坐标值，概率值反应这个anchor box有物体的概率，四个坐标值用于回归定义物体的位置。最后将二分类和坐标回归的损失统一起来，作为RPN网络的目标训练。
第二步由RPN得到Region Proposal在根据概率值筛选后经过类似的标记过程，被传入R-CNN子网络，进行多分类和坐标回归，同样用多任务损失将二者的损失联合。

RPN每个滑动位置默认生成９个框的由来：By default we use 3 scales and 3 aspect ratios, yielding k=9 anchors at each sliding position.

在RPN的时候，已经对anchor做了一遍NMS，在RCNN测试的时候，还要再做一遍。
在RPN的时候，已经对anchor的位置做了回归调整，在RCNN阶段还要对RoI再做一遍。
在RPN阶段分类是二分类，而Fast RCNN阶段是21分类（论文中）。

Faster R-CNN四类损失

虽然原始论文中用的4-Step Alternating Training 即四步交替迭代训练。然而现在github上开源的实现大多是采用近似联合训练（Approximate joint training），端到端，一步到位，速度更快。在训练Faster RCNN的时候有四个损失：

RPN 分类损失：anchor是否为前景（二分类）
RPN位置回归损失：anchor位置微调
RoI 分类损失：RoI所属类别（21分类，多了一个类作为背景）
RoI位置回归损失：继续对RoI位置微调四个损失相加作为最后的损失，反向传播，更新参数。

Faster RCNN解读参考资料

一文读懂Faster RCNN 从编程实现角度解读Faster RCNN

Mask R-CNN结构

Mask R-CNN结构解析

Mask R-CNN (regional convolutional neural network) is a two stage framework: the first stage scans the image and generates proposals(areas likely to contain an object). And the second stage classifies the proposals and generates bounding boxes and masks.

Mask R-CNN基本结构：与Faster RCNN采用了相同的two-state步骤：首先是找出RPN，然后对RPN找到的每个RoI进行分类、定位、并找到binary mask。这与当时其他先找到mask然后在进行分类的网络是不同的。
Mask R-CNN的损失函数： $$

Mask的表现形式(Mask Representation)：因为没有采用全连接层并且使用了RoIAlign，可以实现输出与输入的像素一一对应。
RoIAlign：RoIPool的目的是为了从RPN网络确定的ROI中导出较小的特征图(a small feature map，eg 7×7)，ROI的大小各不相同，但是RoIPool后都变成了7×7大小。RPN网络会提出若干RoI的坐标以[x,y,w,h]表示，然后输入RoI Pooling，输出7×7大小的特征图供分类和定位使用。问题就出在RoI Pooling的输出大小是7×7上，如果RON网络输出的RoI大小是8*8的，那么无法保证输入像素和输出像素是一一对应，首先他们包含的信息量不同（有的是1对1，有的是1对2），其次他们的坐标无法和输入对应起来（1对2的那个RoI输出像素该对应哪个输入像素的坐标？）。这对分类没什么影响，但是对分割却影响很大。RoIAlign的输出坐标使用插值算法得到，不再量化；每个grid中的值也不再使用max，同样使用差值算法。

FPN结构理解

RPN网络结构就介绍到这里，总结起来就是：生成anchors -> softmax分类器提取fg anchors -> bbox reg回归fg anchors -> Proposal Layer生成proposals。
RPN网络生成的proposals的方法：对foreground anchors进行bounding box regression，这样获得的proposals也是大小形状各不相同。
FPN（Feature Pyramid Network）算法可以同时利用低层特征高分辨率和高层特征的高语义信息，通过融合这些不同层的特征达到预测的效果。并且预测是在每个融合后的特征层上单独进行的，这和常规的特征融合方式不同

目标检测模型测试与训练技巧

模型选择

常用模型：Faster RCNN、Mask RCNN、Retinanet、Cascade RCNN等。当前检测竞赛圈的通用配置还是 Cascade-R-CNN + ResNeXt/ResNet 系列 + FPN+DCN 2

数据预处理

离线数据增强
在线数据增强（图像亮度、光照强度调整、高斯模糊、上下左右翻转、旋转45°、仿射变换）
数据过采样（对难以坚持的类别进行过采样）
mixup：将两张图按照一定的比例混合在一起，来源于李沐的论文。比如在在工业类缺陷检测或者违禁物品检测中，常常会给出一些不含有待检测目标的正常图像，可以将含有目标的图像和随机选取的正常图像进行 mixup（随机意味着更多的组合~），这样数据量又上来了。
填鸭式数据扩增：所谓填鸭式，就是将一些目标（也可以是误捡的）扣出来，放到没有目标的图上去，增加图像的鲁棒性。比如有人在钢筋识别的时候，有一些小石子和吊机容易被误判成钢筋，索性就选了一些图，把这些伪目标填充合理的位置上，效果就是没有再误判过了。

预训练模型

使用ImageNet预训练的backbone
使用coco预训练的完整检测模型权重（效果更佳）

训练策略

预训练模型训练1-4epoch，解冻模型、训练完整模型一定epoch
每隔一定epoch，学习率衰减2/10倍

多尺度训练

每次加载图像都从图像size列表（比如514+i*32, 1024）里，随机选一个尺寸读取图像。即每隔一次iter（每次load image data），都随机选一个图像尺寸训练。

lr选择

检测任务中常用的计算方法是：lr = 0.02 / 8 x num_gpus x img_per_gpu / 2

损失函数选择

Focal Loss 这是 CV 中根据实验结果调整损失函数最先考虑的一个，论文: Focal Loss for Dense Object Detection, 主要是针对模型拟合困难的样例或者样本不均衡的样例，在图像分类中常用作最终的损失函数，直接进行优化，而在目标检测中却有两个选择，一个是在 RPN 层使用 FocalLoss，这样可以缓解由于目标占比较少导致生成的 anchor 正负样本比例失衡；另一种就是类似图像分类一样，在 bbox_head 中使用，mmdetection 中的相应配置。

TTA测试数据增强

效果有提升，但是耗时较长

Soft-NMS

Soft-NMS 改进了之前比较暴力的 NMS，当 IOU 超过某个阈值后，不再直接删除该框，而是降低它的置信度 (得分)，如果得分低到一个阈值，就会被排除；但是如果降低后仍然较高，就会被保留。实现细节移步：NMS 与 soft NMS。

参考资料

Kaggle实战目标检测奇淫技巧合集

目标检测基本概念

准确率、召回率与IoU、mAP

混淆矩阵：

True Positive(真正例, TP)：将正类预测为正类数.
True Negative(真负例, TN)：将负类预测为负类数.
False Positive(假正例, FP)：将负类预测为正类数 → 误报 (Type I error).
False Negative(假负例子, FN)：将正类预测为负类数 → 漏报 (Type II error).

查准率（准确率）P = TP/(TP+FP) 查全率（召回率）R = TP/(TP+FN) 准确率描述了模型有多准，即在预测为正例的结果中，有多少是真正例；召回率则描述了模型有多全，即在为真的样本中，有多少被我们的模型预测为正例。

不同的计算机视觉问题，对两类错误有不同的偏好，常常在某一类错误不多于一定阈值的情况下，努力减少另一类错误。在目标检测中，mAP（mean Average Precision）作为一个统一的指标将这两种错误兼顾考虑。具体来说就是，在目标检测中，对于每张图片检测模型会输出多个预测框（远超真实框的个数），我们使用IoU(Intersection Over Union，交并比)来标记预测框是否预测准确。标记完成后，随着预测框的增多，查全率R总会上升，在不同查全率R水平下对准确率P做平均，即得到AP，最后再对所有类别按其所占比例做平均，即得到mAP指标。

交并比IOU

交并比（Intersection-over-Union，IoU），目标检测中使用的一个概念，是产生的候选框（candidate bound）与原标记框（ground truth bound）的交叠率，即它们的交集与并集的比值。最理想情况是完全重叠，即比值为1。计算公式如下：

代码实现如下：

def calculateIoU(candidateBound, groundTruthBound):
    cx1 = candidateBound[0]
    cy1 = candidateBound[1]
    cx2 = candidateBound[2]
    cy2 = candidateBound[3]
    gx1 = groundTruthBound[0]
    gy1 = groundTruthBound[1]
    gx2 = groundTruthBound[2]
    gy2 = groundTruthBound[3]
    carea = (cx2 - cx1) * (cy2 - cy1) #C的面积
    garea = (gx2 - gx1) * (gy2 - gy1) #G的面积
    x1 = max(cx1, gx1)
    y1 = max(cy1, gy1)
    x2 = min(cx2, gx2)
    y2 = min(cy2, gy2)
    w = max(0, (x2 - x1))
    h = max(0, (y2 - y1))
    area = w * h #C∩G的面积
    iou = area / (carea + garea - area)
    return iou

NMS介绍

在目标检测中，常会利用非极大值抑制算法(NMS，non maximum suppression)对生成的大量候选框进行后处理，去除冗余的候选框，得到最佳检测框，以加快目标检测的效率。其本质思想是其思想是搜素局部最大值，抑制非极大值。非极大值抑制，在计算机视觉任务中得到了广泛的应用，例如边缘检测、人脸检测、目标检测（DPM，YOLO，SSD，Faster R-CNN）等。即如图 2所示实现效果，消除多余的候选框，找到最佳的bbox。

NMS过程

以上图为例，每个选出来的Bounding Box检测框（既BBox）用（x,y,h,w, confidence score，Pdog,Pcat）表示，confidence score表示background和foreground的置信度得分，取值范围[0,1]。Pdog,Pcat分布代表类别是狗和猫的概率。如果是100类的目标检测模型，BBox输出向量为5+100=105。