1 語義分割

語義分割是對圖像中每個像素作分類，不區(qū)分物體，只關(guān)心像素。如下：

（1）完全的卷積網(wǎng)絡(luò)架構(gòu)

處理語義分割問題可以使用下面的模型：

其中我們經(jīng)過多個卷積層處理，最終輸出體的維度是C*H*W，C表示類別個數(shù)，表示每個像素在不同類別上的得分。最終取最大得分為預(yù)測類別。

訓(xùn)練這樣一個模型，我們需要對每個像素都分好類的訓(xùn)練集（通常比較昂貴）。然后前向傳播出一張圖的得分體（C*H*W），與訓(xùn)練集的標簽體求交叉熵，得到損失函數(shù)，然后反向傳播學(xué)習(xí)參數(shù)。

然而，這樣一個模型的中間層完全保留了圖像的大小，非常占內(nèi)存，因此有下面改進的框架。

（2）先欠采樣再過采樣的框架

經(jīng)過欠采樣后可以大量節(jié)省內(nèi)存，提高效率，最后再經(jīng)過過采樣來恢復(fù)原始圖片的大小。我們知道欠采樣可以使用卷積層和池化，下面介紹過采樣的幾種方式。

去池化?Unpooling?

去池化有Nearest Neighbor，Bed of Nails等方法：

還有一種被稱為Max Unpooling 的方法，該方法記錄下之前使用max pooling前各個最大值在數(shù)組中的索引，去池化的時候把值放到索引處，其他位置補0:

?

轉(zhuǎn)置卷積?Transpose Convolution

不同于去池化，轉(zhuǎn)置卷積法是一種可學(xué)習(xí)的過采樣方法。具體步驟是，將輸入的每個值作為權(quán)重，對濾波器進行加權(quán)，然后各個加權(quán)的濾波器按照步長拼成輸出，重疊部分相加。如下：

我們可以通過學(xué)習(xí)濾波器，來學(xué)習(xí)網(wǎng)絡(luò)應(yīng)該如何做過采樣。

理解轉(zhuǎn)置卷積的一個一維的例子是：

在一些論文里，轉(zhuǎn)置卷積還有一些其他名字，看到的時候要知道：

另外，轉(zhuǎn)置卷積之所以被稱為轉(zhuǎn)置卷積，是因為它的矩陣形式。傳統(tǒng)的卷積寫成矩陣形式如下（注意這里是一維的例子）：

其中x是濾波器，a是輸入。而轉(zhuǎn)置卷積寫成矩陣形式如下:

?

2 分類+定位

分類+定位的任務(wù)要求我們在給圖片打標簽之后，還要框出物體在什么地方（注意與物體檢測的區(qū)別，在分類定位中，輸出的框的個數(shù)是事先已知的，而物體檢測中則是不確定的）。如下：

此類任務(wù)常用的處理框架如下：

?

首先我們還是用CNN得到描述圖片的特征向量，然后我們接入兩個全連接網(wǎng)絡(luò)，一個網(wǎng)絡(luò)負責(zé)生成最后的類別評分，另一個負責(zé)生成紅框四個點的坐標值。因此對應(yīng)兩個損失，softmax損失和回歸損失。我們將這兩個損失加權(quán)相加得到總的損失（加權(quán)值是超參數(shù)），然后進行反向傳播學(xué)習(xí)。

這里應(yīng)用回歸的思路同樣可以應(yīng)用于姿態(tài)估計，我們用十四個點來確定一個人的姿態(tài)情況：

應(yīng)用同樣的框架（CNN+回歸全連接網(wǎng)絡(luò)）可以訓(xùn)練這個任務(wù)：

?

3 物體檢測?

與分類+定位任務(wù)不同的是，物體檢測中需要檢測的物體數(shù)量是不確定的，因此無法直接使用上面的回歸框架。下面簡單介紹幾個框架。

（1）滑動窗口

滑動窗口的思想是隨機選取若干個不同大小不同位置的窗口，對它們應(yīng)用CNN進行分類。缺點是窗口數(shù)量很大，計算代價很高。

（2）RCNN

訓(xùn)練階段：

a 使用IMAGENet的數(shù)據(jù)預(yù)訓(xùn)練一個CNN

b 構(gòu)造訓(xùn)練集：首先應(yīng)用Selective Search算法從每張帶標定框的圖像中選取2000～3000個候選框。對每個候選框來說，找到與它重疊面積最大的標定框，如果重疊比例大于閾值（0.5），則將該候選框標簽設(shè)為該標定框的標簽，若重疊比例小于閾值（0.5），則標簽設(shè)為“背景”。同時對于重疊比例大于一定閾值（0.6）的候選框，還要計算出其與標定框的偏移距離。

c 每個候選區(qū)域經(jīng)過預(yù)處理，送到CNN中提取出圖像特征，然后把圖像特征送到SVM分類器中，計算出標簽分類的損失。同時圖像特征還要送到回歸器中，計算偏移距離的L2損失。

d 反向傳播訓(xùn)練SVM，回歸器，CNN

整體框架圖如下：

（3）Fast RCNN

RCNN訓(xùn)練和預(yù)測速度很慢，主要是由于不同候選框之間的重疊部分特征重復(fù)用CNN提取導(dǎo)致的。因此可以采取先對整個圖像進行CNN特征提取，然后在選定候選區(qū)域，并從總的featuremap中找到每個候選區(qū)域?qū)?yīng)的特征。框架如下：

（4）Faster RCNN

Fast RCNN的性能瓶頸是SS算法選定候選區(qū)域，在Faster RCNN中，使用網(wǎng)絡(luò)Region Proposal Network (RPN) 來預(yù)測候選區(qū)域，整體框架如下：

Faster RCNN是當(dāng)前很先進的目標檢測框架，要了解細節(jié)看這篇論文：

Ren, Shaoqing, et al. “Faster R-CNN: Towards real-time object detection with region proposal networks.” Advances in Neural Information Processing Systems. 2015.

（5）SSD

SSD的思想是將圖像劃分為很多個格子，以每個格子的中心可以衍生出若干個base boxes。使用神經(jīng)網(wǎng)絡(luò)一次性的對這些格子進行分類，對這些baseboxes進行回歸。

上圖中，一個圖像劃分為7*7個grid，每個grid有3個base boxes。我們需要用回歸為每個base boxes預(yù)測五個值，為每個格子進行分類打分。直接使用一個的CNN神經(jīng)網(wǎng)絡(luò)輸出7*7*（5*B+C）的大小即可。

更多細節(jié)參看論文：Liu et al, “SSD: Single-Shot MultiBox Detector”, ECCV 2016?

?

（6）各種物體檢測框架的對比

有很多變量可控：

這篇論文對比了各種框架：

Huang et al, “Speed/accuracy trade-offs for modern convolutional object detectors”, CVPR 2017?

FasterCNN比SSD具有更高的精度，但是沒有SSD快。

?

（7）Dense Captioning?

?Dense Captioning 是對圖片中的每個事物做檢測，并用語言進行描述：

Dense Captioning其實就是Object Detection + Captioning ，其框架可以使用faster RCNN結(jié)合LSTM來做。具體參考文獻：

Johnson, Karpathy, and Fei-Fei, “DenseCap: Fully Convolutional Localization Networks for Dense Captioning”, CVPR 2016?

?

4 物體分割?

物體分割要做的是在物體檢測上更進一步，從像素層面把各個物體分割出來。

Mask RCNN是當(dāng)前很前沿的一種方法，其將faster RCNN和語義分割結(jié)合成一個框架，具有非常好的效果！框架為：

如上圖，首先將圖像使用CNN處理為特征，然后經(jīng)過一個RPN網(wǎng)絡(luò)生成候選區(qū)域，投射到之前的feature map。到這里與faster RCNN一樣。之后有兩個分支，一個分支與faster RCNN相同，預(yù)測候選框的分類和邊界值，另一個分支則與語義分割相似，為每個像素做分類。

mask RCNN具有超級好的效果，有機會一定要拜讀一下。

He et al, “Mask R-CNN”, arXiv 2017

?

?5 總結(jié)

這些成功的計算機視覺框架和模型給我們的啟示是，將具有基本功能的模塊整合成一個可訓(xùn)練的端到端系統(tǒng)，可以完成更加復(fù)雜的功能。通過向網(wǎng)絡(luò)中引入多個損失函數(shù)的分支，可以讓其完成多目標的聯(lián)合優(yōu)化。

?

轉(zhuǎn)載于:https://www.cnblogs.com/coldyan/p/8391559.html

總結(jié)

以上是生活随笔為你收集整理的cs231n---语义分割 物体定位 物体检测 物体分割的全部內(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，歡迎將生活随笔推薦給好友。