0%

Deep Learning (12) - Object Detection

Posted on 2018-09-24 Edited on 2018-09-27

~~Edit~~

这一章主要介绍了当下大行其道的Computer Vision中的Object Detection，也就是目标检测。课程由浅入深，其间也深入介绍了目标检测算法的集大成者YOLO算法。

模型定义

输入是一张图片，经过CNN网络，输出预测标签。标签定义通常是：

Pc: 是否有需要检测的目标
: 代表bounding box
: 代表三种分类，例如：car, pedestrian, motorcycle

损失函数(用最小二乘法)：

检测方法

滑动窗口检测法

检测方法就是如图所示，先用最小的窗口截取图片的每个角落，跑一遍CNN，看看有没有命中的格子，如果没有，就换大一点的窗口，如果还没有就再换大一点的窗口，以此类推。这是最容易想到的方法，但是缺点就是计算量太大，效率极低。

滑动窗口的卷积实现

其本质还是利用窗口来采样图片，并输出该窗口中是否有检测对象。但滑动窗口类似串行算法，卷积实现类似于并行算法，其共享了很多计算步骤，效率更高。
下面将会对滑动窗口算法网络进行一步步的改造，最终实现卷积算法来一次性检测所有窗口的结果。

1. 使用1x1 convolution (Network in network)来取代FC层

假设就是14x14的窗口使用在14x14的图片上，最终运算出来的结果是一个1x1x4的volume，代表4个分类上的结果。

2. 增加图像尺寸后的情况

图像尺寸在长宽方向上都增加2个pixel，则图像尺寸是16x16。如果仍然采用14x14的窗口，则会需要4个窗口来检测这个16x16的图像。经过上述CNN网络迭代后，结果是4x4x4。其每一个格子代表了一个窗口的运算结果。这实际上就是滑动窗口的卷积实现了。

更大一点的图像会是怎么样的情况呢？

同理，如果是28x28的图像，则会有8个窗口来检测，最终产生的volume是8x8x4，代表这8个窗口的检测结果。
卷积算法通过一次性迭代，输出了一幅图片上所有分片的检测结果，其效率要远远大于滑动窗口的运算效率。

YOLO Algorithm

YOLO = You Only Look Once
这是公认比较高效的目标检测算法。据说这篇论文的难度也很高，比较难读懂。

IOU

IOU = Intersection Over Union，翻译成交并比。交集和并集的比例。如下图：

蓝色框是算法预测出的目标位置，红色框是实际目标位置。黄色阴影是交集，绿色阴影是并集。那么：

以IOU的大小来判断，这一次目标检测的质量。例如，我们通常要求交并比达到0.5或0.6以上，才算一次有效的检测。

Non-max Suppression Algorithm

翻译成非极大值抑制。
当有如下的检测结果的时候：

理论上，一个物体只属于一个box。但是，通常在预测的时候，每一个物体四周的box都有可能产生有效预测。Non-max suppression要做的就是过滤掉质量较差的预测，为每个物体只留下一个有效预测。具体做法如下

经过Non-max suppression过滤后，最终结果如下：

每个物体只保留一个有效检测。

Anchor Box

Anchor Box要解决的问题就是像下面这幅图，有两个不同形状的物体，其中心点重叠。也就是一个grid box中有两个物体，这个通过一般的y label是没法反映出来的。

通常的y label是：

解决办法就是设置Anchor Box，这样的图片就设置两个Anchor Box。当如果有更多的图片交叠的可能的时候，那就要设置多个Anchor Box。y修正成为：

y上半部分检测Anchor Box 1的物体，下半部分检测Anchor Box 2的物体。

YOLO算法

先将样本图片切割成网格，针对每个网格填充标签y。

每个网格的左上点坐标为(0,0)，右下角坐标为(1,1)。所以，是真实物体尺寸针对网格的比例。所以上图右边车子的bounding box的长宽可能是0.4x0.9，左边车子的长宽比可能是0.5x0.6。
如果有目标物体则，否则
如果有可能有图片重叠在一个格子的时候，需要设置对应的Anchor Box

后面就是经典的CNN了，最终得出对y的预测

最终输出的图像，可能是如下：

采用non-max suppression来过滤出最终的预测结果。

参考文献

YOLO: Redmon et al., 2015, You Only Look Once: Unified real-time object detection