参考列表
Selective Search for Object Recognition
Selective Search for Object Recognition(菜菜鸟小Q的专栏)
Selective Search for Object Recognition(Surge)
Selective Search for Object Recognition(原始论文)
Efficient Graph-Based Image Segmentation(快速图像分割)
Homepage of Koen van de Sande
非极大值抑制(Non-maximum suppression)在物体检测领域的应用
Efficient Non Maximum Suppression 笔记(不完整版)
如何评价rcnn、fast-rcnn和faster-rcnn这一系列方法?
RCNN的安装与简单使用
Ross B. Girshick(RCNN系列开创者)
rbg’s home page
RCNN
Rich feature hierarchies for accurate object detection and semantic segmentation
https://github.com/rbgirshick/rcnn
Fast RCNN
Fast R-CNN
https://github.com/rbgirshick/fast-rcnn
Faster RCNN
Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks
https://github.com/rbgirshick/py-faster-rcnn
https://github.com/ShaoqingRen/faster_rcnn
You Only Look Once
You Only Look Once: Unified, Real-Time Object Detection
YOLO Object Detection(视频)
RCNN
最早的物体识别,是通过窗口扫描的方式进行,并且需要对图片进行几个级别的缩放来重复进行。
这种方式非常暴力,计算量大。
RCNN主要解决的是去掉窗口扫描,用聚类方式,对图像进行分割分组,得到多个侯选框的层次组。
分割分组方法有很多,RCNN用到的是Selective Search。
以下就是RCNN的结构。
- 从原始图片,通过Selective Search提取出区域候选框,有2000个左右
- 把所有侯选框缩放成固定大小
- 然后通过CNN网络,提取特征
- 再添加两个全链接层,然后再用SVM分类,回归来微调选框位置与大小
Fast RCNN
RCNN有两千个左右的候选框,都要进行CNN操作。但候选框有大量重叠,造成重复计算。
Fast RCNN就是解决这个问题的。
- 利用CNN(卷积神经网络),得到整个原始图片的特征层
- 在原始图片上通过Selective Search等方法,提取出域候选框
- 把候选框投影到最后的特征层,并进行Max-Pooling采样,得到固定大小的特征矩形
- 然后再通过两个全连接层,分别用softmax分类,regressor进行选框位置与大小微调
Faster RCNN
在上面的 RCNN 与 Fast RCNN中,相对于在GPU上计算的CNN,在CPU上运行的提取候选框效率低下,一张图片大概需要2秒。
Faster RCNN则直接利用CNN来计算候选框,方式如下:
- 原始图片经过CNN,得到最后的卷积特征
- 利用3,输出特征数为256)
- 3的特征层映射到最初图片,是一块比较大的固定区域,在此固定区域上进行长宽变形,比如分别3个缩放级别,则一共有9个不同的矩形区域,称做anchor box。9就是上图中的k值。
- 对上图中的k个anchor box进行是否是物体判断预测,和矩形框位置与大小微调
- 选出物体框后,再利用同Fast RCNN同样的方式,对物体类别进行判断
- 选框与分类使用同样的CNN网络
一张9)。
anchor box的设置应比较好的覆盖从大到小的区域,如下图:
注
这里有一点疑惑,3的卷积核对应的原始图是块固定区域(感受野),并没有包含区域外的信息,如何做到预测更大区域的物体位置?
或者类似于人的感知,比如只看到部分人像,推测整个人像的大小?看到老虎的头,预测整个老虎的位置与大小?
You Only Look Once
Faster RCNN需要对20k个anchor box进行判断是否是物体,然后再进行物体识别,分成了两步。
YOLO(You Only Look Once)则把物体框的选择与识别进行了结合,一步输出,即变成”You Only Look Once”。
所以识别速度非常快,达到每秒45帧,而在快速版YOLO(Fast YOLO,卷积层更少)中,可以达到每秒155帧。
网络的整体结构如下图:
- 把原始图片缩放成448大小
- 运行单个卷积网络
- 得到物体的位置与类别
模型如下:
- 把缩放成统一大小的图片分割成S的单元格
- 每一个单元格负责输出B个矩形框,每一个框带四个位置信息(x, y, w, h),与一个该框是物体的概率,用)或者C(Confidence)表示
- 每一个单元格再负责输出C个类别的概率,用)表示
- 最终输出层应有)个单元
相关说明:
- 如果一个物体的中心落入一个单元格,则该单元格上的B个矩形框的位置信息都为该物体的位置信息,
- C个概率中对应该物体类别值为1,其它为0。
- x, y表示中心相对于单元格左上角的位置偏移,单元格左上角为(0, 0),右下角为(1, 1)
- w, h表示矩形框的宽与高,都是相对于整个图片的相对值,全副图片大小为(1, 1),长宽都一半就是(0.5, 0.5)
最终输出时,是物体的概率乘以类别概率,才是整体识别到是一个物体的概率:
在论文You Only Look Once: Unified, Real-Time Object Detection中,S = 7,B = 2,C = 20。
所以输出的单元数为30。
具体的网络结构如下:
从上图的结构可以看到,倒数第二层是一个全连接层,所以最终的单元输出整合了全局信息,更好地预测图像区域。
训练
整个网络最后一层为线性激活,其它层都为Leaky Rectified Linear激活方式:
因为一张图片中,大部分单元格中都没有落入物体中心,所以引入两个参数0.5。
整个网络的代价函数变成:
本站文章如无特殊说明,均为本站原创,如若转载,请注明出处:paper 111:图像分类物体目标检测 from RCNN to YOLO - Python技术站