Deep Learning Note: 4-7 检测算法

Author: nex3z 2018-01-21

1. 目标定位

　　前文主要讨论了图像分类问题，即判断图像中对象的类型，如图 1 中左图，给出一张图片，识别它是一张汽车的图片。而对于分类和定位问题，不仅要判断图像中是否存在目标对象，还要找到该对象的位置，如图 1 中间的图，不仅要识别出图中的汽车，还要找到汽车的位置。以上两个问题都只针对一个目标，目标检测问题则更进一步，需要识别和定位图像中存在的全部目标，这些目标还可能属于不同的分类，如图 1 中右图，图片中有两辆汽车，都需要识别和定位出来。

　　对于分类和定位问题，网络结构如图 2 所示。

　　对于一张输入图像，首先经过一个普通的网络，该网络的输出有两部分，一部分通过 Softmax 给出分类预测，例如我们想要找到图片中的行人、汽车、摩托车，则有四个分类：

1. 行人
2. 汽车
3. 摩托车
4. 背景（没有以上三种目标）

　　此时图 2 中 Softmax 的输出为一个 $4 \times 1$ 的向量。

　　另外，图 2 中的网络也会输出所检测目标的位置，使用 $b_x$、$b_y$、$b_h$、$b_w$ 表示，这里 $b_x$ 和 $b_y$ 为目标中心在图片中的位置，$b_h$ 和 $b_w$ 表示目标的宽度和高度，这四个值可以定位一个方框，即目标的位置。令图片左上角坐标为 $(0, 0)$，右下角坐标为 $(1, 1)$，则对于图 2 中的汽车图片，约有 $b_x = 0.5$，$b_y = 0.7$，$b_h = 0.3$，$b_w = 0.4$。

　　在分类和定位问题中，网络要输出 $b_x$、$b_y$、$b_h$、$b_w$ 和分类，此时样本标签的结构为：

\begin{equation}
y = \begin{bmatrix}p_c \\ b_x \\ b_y \\ b_h \\ b_w \\ c_1 \\ c_2 \\ c_3\end{bmatrix} \tag{1}
\end{equation}

　　式 (1) 中，$p_c$ 表示图像中是否有所关心的目标，如果有目标（行人/汽车/摩托车），则 $p_c = 1$；如果没有目标（背景），则 $p_c = 0$。$b_x$、$b_y$、$b_h$、$b_w$ 为目标位置。如果有目标，即 $p_c = 1$ 时，$c_1$、$c_2$、$c_3$ 表示图像中是否有对应分类（行人/汽车/摩托车）的目标，分类和定位问题中，图像里最多只有一个对象，此时 $c_1$、$c_2$、$c_3$ 最多有一个是 1，其余都是 0。

　　举例来说，对于图 2 中的输入数据，其标签为：

\begin{equation}
y = \begin{bmatrix}1 \\ 0.5 \\ 0.7 \\ 0.3 \\ 0.45 \\ 0 \\ 1 \\ 0\end{bmatrix}
\end{equation}

　　再例如图 3 所示的图片，其中没有所关心的目标：

　　其标签如下（其中的 ? 表示不关心）：

\begin{equation}
y = \begin{bmatrix}0 \\ ? \\ ? \\ ? \\ ? \\ ? \\ ? \\ ?\end{bmatrix}
\end{equation}

　　训练网络使用的损失函数为：

\begin{equation}
L(\hat{y}, y) = \begin{cases}
\sum\limits_{i=1}^8 (\hat{y}_i – y_i)^2 &if \; y_1 = 1 \\
(\hat{y}_1 – y_1)^2 & if \; y_1 = 0\end{cases} \tag{2}
\end{equation}

　　当 $y_1 = 1$，即图像中有目标时，分别计算 $\hat{y}$ 和 $y$ 中所有项带来的损失；当 $y_1 = 0$，即图像中没有目标时，只计算 $\hat{y}$ 和 $y$ 中第一个元素，即 $p_c$ 所带来的损失。注意这里为了方便描述，使用平方误差来计算 $y$ 中所有项的损失，实际中，要根据实际情况选择合适的计算方式：如使用对数似然（Log Likelihood）误差计算 Softmax 输出的 $c_1$、$c_2$、$c_3$ 的损失，使用平方误差计算与位置和距离相关的 $b_x$、$b_y$、$b_h$、$b_w$ 的损失，使用逻辑回归的损失函数计算 $p_c$ 的损失。
　　

2. Landmark 检测

　　在上面的分类和定位问题中，网络输出 $b_x$、$b_y$、$b_h$、$b_w$，即目标的位置的大小。有时候我们只关心图像中关键点（即 Lamdmark）的位置，此时网络只需输出 Landmark 的坐标 x 和 y，称为 Landmark 检测（Landmark Detection）。

　　例如对于一个人脸识别的应用，想要找出人脸、眼睛、鼻子、嘴巴的轮廓等共计 64 个关键点的位置，则网络输出为：

\begin{equation}
y = \begin{bmatrix}p_c \\ l_{1x} \\ l_{1y} \\ l_{2x} \\ l_{2y} \\ … \\ \\ l_{64x} \\ l_{64y}\end{bmatrix} \tag{2}
\end{equation}

　　式 (2) 中 $l_{ix}$ 和 $l_{iy}$ 表示第 $i$ 个 Lamdmark 的坐标。在标记数据时，需要手工标记以上 64 个关键点的位置，并且确保所有样本标签中坐标与关键点的对应关系保持一致，例如规定第 1 个关键点 $(l_{1x}, l_{1y})$ 为右眼右眼角的位置，则在所有样本的标签中，$(l_{1x}, l_{1y})$ 都必须是右眼右眼角的位置。

3. 对象检测

　　滑窗检测（Sliding Window Detection）算法是一种对象检测算法，首先训练一个仅用于识别目标的算法，然后使用一个窗口逐步滑过图像，使用识别算法判断窗口下的图像是否有检测目标，如果有，则判定该窗口位置上有目标。

　　例如要检测图像中的汽车的位置，则首先训练一个识别汽车的网络，训练数据为沿汽车边缘裁剪的汽车图片，标签为图片是否为汽车，如图 4。

　　然后使用一个小窗口，逐步划过整个图像，对于每个被窗口截取下来的图像，使用前面训练的识别汽车的网络，检测其中是否有汽车，如图 5 所示。注意图中窗口滑动的步长比较大，实际中会使用较小的步长。

　　窗口滑动并检测过整张图像后，增大窗口的尺寸，再进行一遍滑动检测，如图 6 左图。因为增大了窗口的尺寸，需要将窗口截取下图片的尺寸进行缩放，以匹配汽车识别网络的输入要求。完成第二遍滑动检测后，还可以继续增大窗口，如图 6 右图。

　　如果在滑窗检测的过程中，在某一个窗口下识别到了目标物体，则窗口位置即为目标物体的位置。

　　滑窗检测的一大缺点是计算量很大。如果滑动的步长很小，则需要计算大量的窗口，带来很大的计算量；如果增大滑动的步长，计算量会减小，但检测的精度也会下降。在神经网络兴起之前，分类器还比较简单，每个窗口的计算量不大，可以应用滑窗检测；而对于现代的卷积网络，进行单次预测的计算量大大增加，滑窗检测也就不再适宜了。

4. 滑窗的卷积实现

　　图 8 展示了一个普通的卷积网络，网络输入为一张 $14 \times 14 \times 3$ 的 RGB 图片，经过一个卷积层、一个池化层和两个全连接层，通过 Softmax 输出 4 个值，分别表示图像中是否有行人、汽车、摩托车，或者以上三者都没有。

　　图 8 所示网络中的两个全连接层也可以表现为卷积层的形式，如图 9。

　　第一个全连接层相当于是将输入的 $5 \times 5 \times 16$ 的数据与 400 个 $5 \times 5 \times 16$ 的过滤器相卷积，结果的大小为 $1 \times 1 \times 400$；第二个全连接层相当于是将输入的 $1 \times 1 \times 400$ 的数据与 400 个 $1 \times 1 \times 400$ 的过滤器相卷积，结果的大小为 $1 \times 1 \times 400$。最后通过一层 $1 \times 1$ 的卷积得到 $1 \times 1 \times 4$ 的数据，再由 Softmax 输出预测。

　　OverFeat 一文给出了通过卷积来实现滑窗的方法，通过在计算滑窗时共享重复的计算结果，降低计算量。以图 9 所示的网络为例，将它画为图 10 的形式，注意图 10 中只画了数据的截面，没有画出各个通道。

　　通过图 10 中的网络，我们可以检测一张 $14 \times 14 \times 3$ 的图片中是否有行人、汽车、摩托车，或者以上三者都没有（这里为方便说明，使用的数据尺寸很小，实际中会使用更大的尺寸）。对于一张 $16 \times 16 \times 3$ 的图片，我们想知道其中是否有所关心的对象（行人、汽车、摩托车）及其位置，传统的滑窗的方法是使用 $14 \times 14$ 的窗口，以一定步长，在 $16 \times 16 \times 3$ 的图片上滑动，识别各个位置窗口下的 $14 \times 14 \times 3$ 的图片中是否有所关心的对象，如图 11。

　　可以看到，对于图 11 中的 4 个窗口，在使用图 10 中网络通过前向传播进行识别时，有很多计算是重复的，这些计算可以在多个窗口的计算中共享，如图 12 所示。

　　图 12 中的网络结构与图 10 相同，但它直接使用 $16 \times 16 \times 3$ 作为输入，最终输出的大小为 $2 \times 2 \times 4$，其中每个位置的值（即每个 $1 \times 1 \times 4$ 的值）就对应了图 11 中每个窗口的结果，如原 $16 \times 16 \times 3$ 图片中蓝色部分的内容，经过一系列计算，最终输出在 $2 \times 2 \times 4$ 的结果的左上角。

　　通过卷积的形式实现滑窗，仅通过一次前向传播就可以检测多个窗口的位置，各个窗口的计算过程中复用了很多公共部分的计算结果，相比于对每个窗口单独计算前向传播，极大地降低了计算量。

　　再看一个例子，假设输入图片的大小为 $28 \times 28 \times 3$，则其计算过程如图 13 所示，最终结果的大小为 $8 \times 8 \times 4$，相当于在原 $28 \times 28$ 的图片上使用 $14 \times 14$ 的窗口进行滑动检测。这里窗口移动的步长为 2，是因为网路中使用了 $2 \times 2$ 的池化层。

　　回到前面的问题，对于图 2 中的图片，通过卷积滑窗，最终可以找到一个窗口，在其中识别出了汽车，由此就找到了汽车的位置，如图 14。