在生活中，經(jīng)常會(huì)遇到這樣的一種情況，上班要出門的時(shí)候，突然找不到一件東西了，比如鑰匙、手機(jī)或者手表等。這個(gè)時(shí)候一般在房間翻一遍各個(gè)角落來尋找不見的物品，最后突然一拍大腦，想到在某一個(gè)地方，在整個(gè)過程中有時(shí)候是很著急的，并且越著急越找不到，真是令人沮喪。但是，如果一個(gè)簡單的計(jì)算機(jī)算法可以在幾毫秒內(nèi)就找到你要找的物品，你的感受如何？是不是很驚奇！這就是對(duì)象檢測算法（object detection）的力量。雖然上述舉的生活例子只是一個(gè)很簡單的例子，但對(duì)象檢測的應(yīng)用范圍很廣，跨越多個(gè)不同的行業(yè)，從全天候監(jiān)控到智能城市的實(shí)時(shí)車輛檢測等。簡而言之，物體檢測是強(qiáng)大的深度學(xué)習(xí)算法中的一個(gè)分支。

在本文中，我們將深入探討可以用于對(duì)象檢測的各種算法。首先從屬于RCNN系列算法開始，即RCNN、 Fast RCNN和 Faster RCNN。在之后的文章中，將介紹更多高級(jí)算法，如YOLO、SSD等。

1.解決對(duì)象檢測任務(wù)的簡單方法（使用深度學(xué)習(xí)）

下圖說明了對(duì)象檢測算法是如何工作。圖像中的每個(gè)對(duì)象，從人到風(fēng)箏都以一定的精度進(jìn)行了定位和識(shí)別。

下面從最簡單的深度學(xué)習(xí)方法開始，一種廣泛用于檢測圖像中的方法——卷積神經(jīng)網(wǎng)絡(luò)（CNN）。如果讀者對(duì)CNN算法有點(diǎn)生疏，建議閱讀此文。

這里僅簡要總結(jié)一下CNN的內(nèi)部運(yùn)作方式：

首先將圖像作為輸入傳遞到網(wǎng)絡(luò)，然后通過各種卷積和池化層處理，最后以對(duì)象類別的形式獲得輸出。

對(duì)于每個(gè)輸入圖像，會(huì)得到一個(gè)相應(yīng)的類別作為輸出。因此可以使用這種技術(shù)來檢測圖像中的各種對(duì)象。

• 1.首先，將圖像作為輸入；

• 2.然后，將圖像分成不同的區(qū)域；

• 3.然后，將每個(gè)區(qū)域視為單獨(dú)的圖像；
• 4.將所有這些區(qū)域傳遞給CNN并將它們分類為各種類別；
• 5.一旦將每個(gè)區(qū)域劃分為相應(yīng)的類后，就可以組合所有這些區(qū)域來獲取具有檢測到的對(duì)象的原始圖像：

使用這種方法會(huì)面臨的問題在于，圖像中的對(duì)象可以具有不同的寬高比和空間位置。例如，在某些情況下，對(duì)象可能覆蓋了大部分圖像，而在其他情況下，對(duì)象可能只覆蓋圖像的一小部分，并且對(duì)象的形狀也可能不同。

基于此，需要?jiǎng)澐执罅康膮^(qū)域，這會(huì)花費(fèi)大量的計(jì)算時(shí)間。因此，為了解決這個(gè)問題并減少區(qū)域數(shù)量，可以使用基于區(qū)域的CNN，它使用提議方法選擇區(qū)域。

2.基于區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)

2.1 RCNN的思想

RCNN算法不是在大量區(qū)域上工作，而是在圖像中提出了一堆方框，并檢查這些方框中是否包含任何對(duì)象。RCNN 使用選擇性搜索從圖像中提取這些框。

下面介紹選擇性搜索以及它如何識(shí)別不同的區(qū)域。基本上四個(gè)區(qū)域形成一個(gè)對(duì)象：不同的比例、顏色、紋理和形狀。選擇性搜索在圖像中識(shí)別這些模式，并基于此提出各種區(qū)域。以下是選擇性搜索如何工作的簡要概述：

• 首先， 將圖像作為輸入：

• 然后，它生成初始子分段，以便獲得多個(gè)區(qū)域：

• 之后，該技術(shù)組合相似區(qū)域以形成更大的區(qū)域（基于顏色相似性、紋理相似性、尺寸相似性和形狀兼容性）：

• 最后，這些區(qū)域產(chǎn)生最終的對(duì)象位置（感興趣的區(qū)域）；

下面是RCNN檢測對(duì)象所遵循的步驟的簡要總結(jié)：

• 1.首先采用預(yù)先訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)；
• 2.重新訓(xùn)練該模型模型——根據(jù)需要檢測的類別數(shù)量來訓(xùn)練網(wǎng)絡(luò)的最后一層（遷移學(xué)習(xí)）；
• 3.第三步是獲取每個(gè)圖像的感興趣區(qū)域。然后，對(duì)這些區(qū)域調(diào)整尺寸，以便其可以匹配CNN輸入大小；
• 4.獲取區(qū)域后，使用SVM算法對(duì)對(duì)象和背景進(jìn)行分類。對(duì)于每個(gè)類，都訓(xùn)練一個(gè)二分類SVM；

最后，訓(xùn)練線性回歸模型，為圖像中每個(gè)識(shí)別出的對(duì)象生成更嚴(yán)格的邊界框；

[對(duì)上述步驟進(jìn)行圖解分析]（http://www.robots.ox.ac.uk/~tvg/publications/talks/Fast-rcnn-slides.pdf）：

• 首先，將圖像作為輸入：

• 然后，使用一些提議方法獲得感興趣區(qū)域（ROI）（例如，選擇性搜索）：

• 之后，對(duì)所有這些區(qū)域調(diào)整尺寸，并將每個(gè)區(qū)域傳遞給卷積神經(jīng)網(wǎng)絡(luò)：

• 然后，CNN為每個(gè)區(qū)域提取特征，SVM用于將這些區(qū)域劃分為不同的類別：

• 最后，邊界框回歸（Bbox reg）用于預(yù)測每個(gè)已識(shí)別區(qū)域的邊界框：

以上就是RCNN檢測物體的全部流程。

2.2 RCNN的問題

從上節(jié)內(nèi)容可以了解到RCNN是如何進(jìn)行對(duì)象檢測的，但這種技術(shù)有其自身的局限性。以下原因使得訓(xùn)練RCNN模型既昂貴又緩慢：

• 基于選擇性搜索算法為每個(gè)圖像提取2,000個(gè)候選區(qū)域；
• 使用CNN為每個(gè)圖像區(qū)域提取特征；

• RCNN整個(gè)物體檢測過程用到三種模型：

  • CNN模型用于特征提取；
  • 線性svm分類器用于識(shí)別對(duì)象的的類別；
  • 回歸模型用于收緊邊界框；

這些過程相結(jié)合使得RCNN非常慢，對(duì)每個(gè)新圖像進(jìn)行預(yù)測需要大約40-50秒，這實(shí)際上使得模型在面對(duì)巨大的數(shù)據(jù)集時(shí)變得復(fù)雜且?guī)缀醪豢赡軕?yīng)用。

好消息是存在另一種物體檢測技術(shù)，它解決了RCNN中大部分問題。

3.了解Fast RCNN

3.1Fast RCNN的思想

RCNN的提出者Ross Girshick提出了這樣的想法，即每個(gè)圖像只運(yùn)行一次CNN，然后找到一種在2,000個(gè)區(qū)域內(nèi)共享該計(jì)算的方法。在Fast RCNN中，將輸入圖像饋送到CNN，CNN生成卷積特征映射。使用這些特征圖提取候選區(qū)域。然后，使用RoI池化層將所有建議的區(qū)域重新整形為固定大小，以便將其饋送到全連接網(wǎng)絡(luò)中。

下面將其分解為簡化概念的步驟：

• 1.首先將圖像作為輸入；
• 2.將圖像傳遞給卷積神經(jīng)網(wǎng)絡(luò)，生成感興趣的區(qū)域；
• 3.在所有的感興趣的區(qū)域上應(yīng)用RoI池化層，并調(diào)整區(qū)域的尺寸。然后，每個(gè)區(qū)域被傳遞到全連接層的網(wǎng)絡(luò)中；
• 4.softmax層用于全連接網(wǎng)以輸出類別。與softmax層一起，也并行使用線性回歸層，以輸出預(yù)測類的邊界框坐標(biāo)。

因此，Fast RCNN算法中沒有使用三個(gè)不同的模型，而使用單個(gè)模型從區(qū)域中提取特征，將它們分成不同的類，并同時(shí)返回所標(biāo)識(shí)類的邊界框。

對(duì)上述過程進(jìn)行可視化講解：

• 將圖像作為輸入：

• 將圖像傳遞給卷積神經(jīng)網(wǎng)絡(luò)t，后者相應(yīng)地返回感興趣的區(qū)域：

• 然后，在提取的感興趣區(qū)域上應(yīng)用RoI池層，以確保所有區(qū)域具有相同的大小：

• 最后，這些區(qū)域被傳遞到一個(gè)全連接網(wǎng)絡(luò)，對(duì)其進(jìn)行分類，并同時(shí)使用softmax和線性回歸層返回邊界框：

上述過程說明了Fast RCNN是如何解決RCNN的兩個(gè)主要問題，即將每個(gè)圖像中的1個(gè)而不是2,000個(gè)區(qū)域傳遞給卷積神經(jīng)網(wǎng)絡(luò)，并使用一個(gè)模型來實(shí)現(xiàn)提取特征、分類和生成邊界框。

3.2Fast RCNN的問題

Fast RCNN也存在一定的問題，它仍然使用選擇性搜索作為查找感興趣區(qū)域的提議方法，這是一個(gè)緩慢且耗時(shí)的過程，每個(gè)圖像檢測對(duì)象大約需要2秒鐘。

因此，又開發(fā)了另一種物體檢測算法——Faster RCNN。

4.了解Faster RCNN

4.1. Faster RCNN的思想

Faster RCNN是Fast RCNN的修改版本，二者之間的主要區(qū)別在于，Fast RCNN使用選擇性搜索來生成感興趣區(qū)域，而Faster RCNN使用“區(qū)域提議網(wǎng)絡(luò)”，即RPN。RPN將圖像特征映射作為輸入，并生成一組提議對(duì)象，每個(gè)對(duì)象提議都以對(duì)象分?jǐn)?shù)作為輸出。

以下步驟通常采用Faster RCNN方法：

1.將圖像作為輸入并將其傳遞給卷積神經(jīng)網(wǎng)絡(luò)，后者返回該圖像的特征圖；

2.在這些特征圖上應(yīng)用RPN，返回提議對(duì)象及其分?jǐn)?shù)；

3.在這些提議對(duì)象上應(yīng)用RoI池層，以將所有提案降低到相同的大小；

4.最后，將提議傳遞到全連接層，該層在其頂部具有softmax層和線性回歸層，以對(duì)對(duì)象的邊界框進(jìn)行分類和輸出；

這里簡要解釋一下RPN是如何運(yùn)作的：

首先，Faster RCNN從CNN獲取特征圖并將它們傳遞到區(qū)域提議網(wǎng)絡(luò)。RPN在這些特征圖上使用滑動(dòng)窗口，每個(gè)窗口生成不同形狀和大小的k個(gè)方框（?Anchor boxe）：

方框是固定尺寸的邊界箱，具有不同的形狀和尺寸。對(duì)于每個(gè)方框，RPN預(yù)測兩件事：

• 預(yù)測錨是對(duì)象的概率；
• 用于邊界框回歸器調(diào)整錨點(diǎn)以更好地適合物體的形狀；

在有了不同形狀和大小的邊界框后，將其傳遞到RoI池層。對(duì)每個(gè)提案并對(duì)其進(jìn)行裁剪，以便每個(gè)提案都包含一個(gè)對(duì)象。這就是RoI池層所做的事情，它為每個(gè)方框提取固定大小的特征圖：

然后將這些特征圖傳遞到全連接層，該層具有softmax和線性回歸層，最終對(duì)對(duì)象進(jìn)行分類并預(yù)測已識(shí)別對(duì)象的邊界框。

4.2Faster RCNN的問題

上述討論過的所有對(duì)象檢測算法都使用區(qū)域來識(shí)別對(duì)象，且網(wǎng)絡(luò)不會(huì)一次查看完整圖像，而是按順序關(guān)注圖像的某些部分，這樣會(huì)帶來兩個(gè)復(fù)雜性的問題：

• 該算法需要多次通過單個(gè)圖像來提取到所有對(duì)象；
• 由于不是端到端的算法，不同的系統(tǒng)一個(gè)接一個(gè)地工作，整體系統(tǒng)的性能進(jìn)一步取決于先前系統(tǒng)的表現(xiàn)效果。

5.總結(jié)

下表是總結(jié)了本文中介紹的所有算法

算法特征預(yù)測時(shí)間限制

CNN	將圖像分成多個(gè)區(qū)域，將每個(gè)區(qū)域分類為不同的類別	-	需要很多區(qū)域來準(zhǔn)確預(yù)測，因此計(jì)算時(shí)間長
RCNN	使用選擇性搜索生成區(qū)域,從每個(gè)圖像中提取大約2000個(gè)區(qū)域	40-50秒	每個(gè)區(qū)域分別傳遞給CNN的計(jì)算時(shí)間也很長，且使用三種不同的模型進(jìn)行預(yù)測
Fast RCNN	每個(gè)圖像只傳遞一次到CNN，并提取特征圖。在這些地圖上使用選擇性搜索來生成預(yù)測。將RCNN中使用的所有三種模型組合在一起	2秒	選擇性搜索很慢，因此計(jì)算時(shí)間仍然很長
Faster RCNN	用區(qū)域提議網(wǎng)絡(luò)替換選擇性搜索方法，使算法更快	0.2秒	對(duì)象提議需要時(shí)間，并且由于不同的系統(tǒng)一個(gè)接一個(gè)地工作，系統(tǒng)的性能取決于先前系統(tǒng)的表現(xiàn)效果

原文鏈接
本文為云棲社區(qū)原創(chuàng)內(nèi)容，未經(jīng)允許不得轉(zhuǎn)載。

總結(jié)

以上是生活随笔為你收集整理的目标检测算法图解：一文看懂RCNN系列算法的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。