0

CNN的目标检测概述(一)

在2012年的ImageNet中,AlexNet拔得头筹。之后,CNN成为了图像识别中的一大利器。

在目标检测中引入CNN,开山之作就是2013年的Rich feature hierarchies for accurate object detection and semantic segmentation,之后简称R-CNN。

一、R-CNN

1)算法原理

R-CNN中,将目标检测分成两步来实现:

  1. 首先是生成Region proposals,也就是候选框。有许多的基于图像的低维特征生成候选框的算法,例如selective search等。
  2. 训练一个分类和回归的网络。这个网络可以根据候选框的区域的图片,判断这个图片的类别,以及它应该回归到的位置。

2)检测过程

这样,在具体的一张图片的目标检测的时候,我们可以通过下面的过程来得到结果:

  1. 对于给定一张图片,通过算法得到大量的候选框(2k个左右)。
  2. 将候选框的图片裁剪出,然后输入到CNN网络中。
  3. 网络的输出为分类的结果和回归的结果。然后我们就知道这个区域是不是目标,如果是,计算出它的回归的位置。
  4. 得到大量的有类别的框,通过NMS算法,得到最终的目标的框。

3)网络训练

对于目标检测这个任务,我们现有的标注数据其实并不多。所以通常都是使用ImageNet等大的公开的数据进行预训练,或者直接使用预训练好的模型在finetune。

1. 预训练(Supervised pre-training)

这里使用ILSVRC 2012(也就是ImageNet的训练数据集)进行分类任务的CNN网络的预训练。

在我们自己复现论文的时候,可以选择现有的开源模型。在各种框架的Model Zoo中可以方便的下载各种网络的模型。常见的有AlexNet,VGGNet,GoogleNet,ResNet等的模型。据师弟的实验,VGGNet在目标检测中使用的频率最高,效果也最好。

2. 微调(Domain-specific fine-tuning)

之前的模型是用于分类的模型,因此对于VOC中的目标检测并不完全的切合。这里需要再使用VOC的数据进行fine-tuning。

VOC中需要检测的目标共有20种,因此我们的分类任务需要的类别数为21类,其中包含一个背景类。

训练数据使用VOC的数据,首先用Selective search等方法得到候选框,截取候选框的图片。根据候选框和Groundtruth直接的IOU(交比并,通常认为大于0.5就是目标)判断这个候选框是不是目标,如果是目标,再计算出应该的回归值。这里选择的IOU的阈值为0.3。

3. 目标分类器(Object category classifiers)

对每个类别的特征训练SVM。由于训练数据过大,这里使用了难负样本最小化策略。最终的分类按照SVM的输出打分而不是上面的网络的21分类的输出。

通常,我们可以使用CNN的输出表示类别的得分,但有时候为了得到更好地结果,会将最后一个隐含层的输出作为特征,然后给每个类别再训练一个SVM模型。

4. Bounding Box回归

这里使用了每个proposal的最后的卷积的输出(pool5)作为特征,训练了线性回归模型,用来预测新的窗口的位置。

4)个人理解

R-CNN作为目标检测的开山之作,提出了一套目标检测的框架,是两段式的目标检测的代表。相比于传统的目标检测算法,他并不依赖手工设计的特征算子,而是通过CNN这一工具完成特征提取和分类回归的任务。

当然,R-CNN的缺点也很明显。首先是,速度慢。由于一张图片可以提取大量的候选框(~2K),每个候选框都要通过网络进行前馈,这样造成大量的计算量。其次是训练的过程需要人工的处理数据,相比于之后的目标检测的方法,并不是十分的方便。

打赏作者
miao

miao

发表评论

电子邮件地址不会被公开。