卷积神经网络（三）目标检测

1、目标定位：（以定位汽车为例）

将图像分类：行人、汽车、摩托车、纯背景图，使用softmax函数输出结果. 输出的结果不仅仅是分类，还有四个标记：bx、by、bh、bw. 这四个数据为被检测对象的边界框的参数.

左上角坐标(0,0)，右下角坐标(1,1).

输出结果的表示形式：

 

2、特征点检测：

（1）以人脸特征提取为例：

对于人脸的多个特征点，比如4个眼角、鼻子周围关键点等，假设选取64个特征点，设置为 (l₁x,l₁y)、(l₂x,l₂y)、....、(l₆₄x,l₆₄y).

准备一个卷积网络，将人脸图片输入卷积网络，输入0/1判断是否含有人脸，然后再输出128个特征参数，最终输出129个参数.

 

（2）以姿态检测为例：

定义一些关键特征点，如胸部的中点、左右肩、左右肘等，来识别人物的姿态动作.

3、目标检测：（以汽车识别为例）

（1）问题描述：

由于训练集都是整张照片为汽车，且待识别照片可能含有多辆汽车，因此需要对待识别的照片应用滑动窗口，使得汽车所占图片区域较大.

使用滑动窗口，并逐渐扩大窗口的大小：

 但使用滑动窗口的缺陷是：窗口截取的图片数量太多，计算成本太高.

（2）卷积的滑动窗口实现：为了解决上述计算成本的问题.

① 将全连接层转换成卷积层：假设训练集是14*14*3.

② 应用至测试集：

若测试集是16*16*3.

结果集的四个小块，每一小块都可以看成是一个窗口得出的结果.

若测试集是28*28*3.

（3）边界框预测：

 可能出现所有边界框都无法完整框处汽车的情况，如下图. 

使用YOLO算法：

① 将图像分为若干格，比如3*3；

② 结合目标定位算法，找到对象的中心点，对象分配给中心点所在格子，找出汽车所在的边界，每一格输出的结果：y = [p_c, b_x, b_y, b_h, b_w, c₁, c₂, c₃]^T.（其中b_h，b_w可以超过边界）

③ 输出的结果：3*3*8（3*3是格子划分，8是每一个格子的结果都是8维）.

（4）交并比（IoU）：

用于判断对象检测算法运作是否良好，计算方法为：

（下图红色为正确的边界框，紫色为识别的边界框）

 IoU = size of Intersection / size of  Union

"correct" if IoU ≥ 0.5 (或者其它阈值)

（5）Non-max suppression（非极大值抑制）：

解决的问题：在对象检测时，可能会对同一个对象检测多次，非极大值抑制可以确保算法对同一个对象检测一次.

当使用19*19的划分方式时，可能有多个格子包含了同一辆车，可能的识别结果如下图：

首先分析概率p_c最大的边界框，即最可靠的检测，即下图黄色框，对于与其有较高交并比的边界框就会被抑制.

（6）Anchor boxes：

解决的问题：在同一个格子中识别多个对象.

当同一个格子中出现了多个对象的中点，如下图，第同一个格子中出现了人和车的中点：

选择Anchor box：一般通过手动设置5-10个anchor box形状，覆盖所需要检测的对象形状.

每一个对象都被指定到一个格子和一个与对象形状IoU最高的anchor box.

输出的结果格式：

（7） YOLO算法：

在以下用例中，使用了2个Anchor box：

 其中第1格的y：；其中第8格的y：

 分别对不同对象使用极大值抑制，挑选出p_c较大的边界框.

4、R-CNN（Regions with convolutional network 带区域的卷积网络）：

当采用滑动窗口时，由于图片中有些区域是空的，窗口中并没有行人、汽车、摩托车等所需识别的对象，如下图：

RPN只选用少数的窗口上运行卷积网络分类器，采用的方法是图像分割方法，分割结果如下图. 对不同的色块运行分类器.

 

改进：

Fast R-CNN：图像分割后，再使用滑动窗口和卷积进行分类.

Faster R-CNN： 使用卷积神经网络获得候选块.

 （但这些方法通常比YOLO算法慢）