站長資訊網(wǎng)機(jī)器視覺領(lǐng)域的核心問題之一就是目標(biāo)檢測(cè)(object detection)，它的任務(wù)是找出圖像當(dāng)中所有感興趣的目標(biāo)(物體)，確定其位置和大小。作為經(jīng)典的目標(biāo)檢測(cè)框架Faster R-CNN，雖然是2015年的論文，但是它至今仍然是許多目標(biāo)檢測(cè)算法的基礎(chǔ)，這在飛速發(fā)展的深度學(xué)習(xí)領(lǐng)域十分難得。而在Faster R-CNN的基礎(chǔ)上改進(jìn)的Mask R-CNN在2018年被提出，并斬獲了ICCV2017年的最佳論文。Mask R-CNN可以應(yīng)用到人體姿勢(shì)識(shí)別，并且在實(shí)例分割、目標(biāo)檢測(cè)、人體關(guān)鍵點(diǎn)檢測(cè)三個(gè)任務(wù)都取得了很好的效果。因此，百度深度學(xué)習(xí)框架PaddlePaddle開源了用于目標(biāo)檢測(cè)的RCNN模型，從而可以快速構(gòu)建強(qiáng)大的應(yīng)用，滿足各種場(chǎng)景的應(yīng)用，包括但不僅限于安防監(jiān)控、醫(yī)學(xué)圖像識(shí)別、交通車輛檢測(cè)、信號(hào)燈識(shí)別、食品檢測(cè)等等。
項(xiàng)目地址：https://github.com/PaddlePaddle/models/blob/v1.3/fluid/PaddleCV/rcnn/README_cn.md
目標(biāo)檢測(cè)(Object Detection)與實(shí)例分割(Instance Segmentation)
目標(biāo)檢測(cè)的任務(wù)就是確定圖像當(dāng)中是否有感興趣的目標(biāo)存在，接著對(duì)感興趣的目標(biāo)進(jìn)行精準(zhǔn)定位。當(dāng)下非?；馃岬臒o人駕駛汽車，就非常依賴目標(biāo)檢測(cè)和識(shí)別，這需要非常高的檢測(cè)精度和定位精度。目前，用于目標(biāo)檢測(cè)的方法通常屬于基于機(jī)器學(xué)習(xí)的方法或基于深度學(xué)習(xí)的方法。 對(duì)于機(jī)器學(xué)習(xí)方法，首先使用SIFT、HOG等方法定義特征，然后使用支持向量機(jī)(SVM)、Adaboost等技術(shù)進(jìn)行分類。 對(duì)于深度學(xué)習(xí)方法，深度學(xué)習(xí)技術(shù)能夠在沒有專門定義特征的情況下進(jìn)行端到端目標(biāo)檢測(cè)，并且通?；诰矸e神經(jīng)網(wǎng)絡(luò)(CNN)。但是傳統(tǒng)的目標(biāo)檢測(cè)方法有如下幾個(gè)問題：光線變化較快時(shí)，算法效果不好;緩慢運(yùn)動(dòng)和背景顏色一致時(shí)不能提取出特征像素點(diǎn);時(shí)間復(fù)雜度高;抗噪性能差。因此，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法得到了廣泛應(yīng)用，該框架包含有Faster R-CNN，Yolo，Mask R-CNN等，圖1和圖2分別顯示的是基于PaddlePaddle深度學(xué)習(xí)框架訓(xùn)練的Faster R-CNN和Mask R-CNN模型對(duì)圖片中的物體進(jìn)行目標(biāo)檢測(cè)。
從圖1中可以看出，目標(biāo)檢測(cè)主要是檢測(cè)一張圖片中有哪些目標(biāo)，并且使用方框表示出來，方框中包含的信息有目標(biāo)所屬類別。圖2與圖1的最大區(qū)別在于，圖2除了把每一個(gè)物體的方框標(biāo)注出來，并且把每個(gè)方框中像素所屬的類別也標(biāo)記了出來。
圖1 基于paddlepaddle訓(xùn)練的Faster R-CNN模型預(yù)測(cè)結(jié)果
圖2基于paddlepaddle訓(xùn)練的Mask R-CNN模型預(yù)測(cè)結(jié)果
從R-CNN到Mask R-CNN
Mask R-CNN是承繼于Faster R-CNN，Mask R-CNN只是在Faster R-CNN上面增加了一個(gè)Mask Prediction Branch(Mask預(yù)測(cè)分支)，并且在ROI Pooling的基礎(chǔ)之上提出了ROI Align。所以要想理解Mask R-CNN，就要先熟悉Faster R-CNN。同樣的，F(xiàn)aster R-CNN是承繼于Fast R-CNN，而Fast R-CNN又承繼于R-CNN，因此，為了能讓大家更好的理解基于CNN的目標(biāo)檢測(cè)方法，我們從R-CNN開始切入，一直介紹到Mask R-CNN。
R-CNN
區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(Regions with CNN features)使用深度模型來解決目標(biāo)檢測(cè)。
R-CNN的操作步驟
Selective search(選擇性搜索)：首先對(duì)每一張輸入圖像使用選擇性搜索來選取多個(gè)高質(zhì)量的提議區(qū)域(region proposal)，大約提取2000個(gè)左右的提議區(qū)域;
Resize(圖像尺寸調(diào)整)：接著對(duì)每一個(gè)提議區(qū)域，將其縮放(warp)成卷積神經(jīng)網(wǎng)絡(luò)需要的輸入尺寸(277*277);
特征抽?。哼x取一個(gè)預(yù)先訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)，去掉最后的輸出層來作為特征抽取模塊;
SVM(類別預(yù)測(cè))：將每一個(gè)提議區(qū)域提出的CNN特征輸入到支持向量機(jī)(SVM)來進(jìn)行物體類別分類。注：這里第 i 個(gè) SVM 用來預(yù)測(cè)樣本是否屬于第 i 類;
Bounding Box Regression(邊框預(yù)測(cè))：對(duì)于支持向量機(jī)分好類的提議區(qū)域做邊框回歸，訓(xùn)練一個(gè)線性回歸模型來預(yù)測(cè)真實(shí)邊界框，校正原來的建議窗口，生成預(yù)測(cè)窗口坐標(biāo)。
R-CNN優(yōu)缺點(diǎn)分析
優(yōu)點(diǎn)：R-CNN 對(duì)之前物體識(shí)別算法的主要改進(jìn)是使用了預(yù)先訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)來抽取特征，有效的提升了識(shí)別精度。
缺點(diǎn)：速度慢。對(duì)一張圖像我們可能選出上千個(gè)興趣區(qū)域，這樣導(dǎo)致每張圖像需要對(duì)卷積網(wǎng)絡(luò)做上千次的前向計(jì)算。
Fast R-CNN
R-CNN 的主要性能瓶頸在于需要對(duì)每個(gè)提議區(qū)域(region proposal)獨(dú)立的抽取特征，這會(huì)造成區(qū)域會(huì)有大量重疊，獨(dú)立的特征抽取導(dǎo)致了大量的重復(fù)計(jì)算。因此，F(xiàn)ast R-CNN 對(duì) R-CNN 的一個(gè)主要改進(jìn)在于首先對(duì)整個(gè)圖像進(jìn)行特征抽取，然后再選取提議區(qū)域，從而減少重復(fù)計(jì)算。
Fast R-CNN 的操作步驟
Selective Search(選擇性搜索)：首先對(duì)每一張輸入圖像使用選擇性搜索(selective search)算法來選取多個(gè)高質(zhì)量的提議區(qū)域(region proposal)，大約提取2000個(gè)左右的提議區(qū)域;
將整張圖片輸入卷積神經(jīng)網(wǎng)絡(luò)，對(duì)全圖進(jìn)行特征提取;
把提議區(qū)域映射到卷積神經(jīng)網(wǎng)絡(luò)的最后一層卷積(feature map)上;
RoI Pooling：引入了興趣區(qū)域池化層(Region of Interest Pooling)來對(duì)每個(gè)提議區(qū)域提取同樣大小的輸出;
Softmax：在物體分類時(shí)，F(xiàn)ast R-CNN 不再使用多個(gè) SVM，而是像之前圖像分類那樣使用 Softmax 回歸來進(jìn)行多類預(yù)測(cè)。
Fast R-CNN優(yōu)缺點(diǎn)分析
優(yōu)點(diǎn)：對(duì)整個(gè)圖像進(jìn)行特征抽取，然后再選取提議區(qū)域，從而減少重復(fù)計(jì)算;
缺點(diǎn)：選擇性搜索費(fèi)時(shí);
缺點(diǎn)：不用Resize,不適合求導(dǎo);
Faster R-CNN
Faster R-CNN 對(duì) Fast R-CNN 做了進(jìn)一步改進(jìn)，它將 Fast R-CNN 中的選擇性搜索替換成區(qū)域提議網(wǎng)絡(luò)(region proposal network)。RPN 以錨框(anchors)為起始點(diǎn)，通過一個(gè)小神經(jīng)網(wǎng)絡(luò)來選擇區(qū)域提議。
Faster R-CNN整體網(wǎng)絡(luò)可以分為4個(gè)主要內(nèi)容
基礎(chǔ)卷積層(CNN)：作為一種卷積神經(jīng)網(wǎng)絡(luò)目標(biāo)檢測(cè)方法，F(xiàn)aster R-CNN首先使用一組基礎(chǔ)的卷積網(wǎng)絡(luò)提取圖像的特征圖。特征圖被后續(xù)RPN層和全連接層共享。本示例采用ResNet-50作為基礎(chǔ)卷積層。
區(qū)域生成網(wǎng)絡(luò)(RPN)：RPN網(wǎng)絡(luò)用于生成候選區(qū)域(proposals)。該層通過一組固定的尺寸和比例得到一組錨點(diǎn)(anchors), 通過softmax判斷錨點(diǎn)屬于前景或者背景，再利用區(qū)域回歸修正錨點(diǎn)從而獲得精確的候選區(qū)域。
RoI Pooling：該層收集輸入的特征圖和候選區(qū)域，將候選區(qū)域映射到特征圖中并池化為統(tǒng)一大小的區(qū)域特征圖，送入全連接層判定目標(biāo)類別, 該層可選用RoIPool和RoIAlign兩種方式，在config.py中設(shè)置roi_func。
檢測(cè)層：利用區(qū)域特征圖計(jì)算候選區(qū)域的類別，同時(shí)再次通過區(qū)域回歸獲得檢測(cè)框最終的精確位置。
Faster R-CNN優(yōu)缺點(diǎn)分析
優(yōu)點(diǎn)：RPN 通過標(biāo)注來學(xué)習(xí)預(yù)測(cè)跟真實(shí)邊界框更相近的提議區(qū)域，從而減小提議區(qū)域的數(shù)量同時(shí)保證最終模型的預(yù)測(cè)精度。
缺點(diǎn)：無法達(dá)到實(shí)時(shí)目標(biāo)檢測(cè)。
Mask R-CNN
Faster R-CNN 在物體檢測(cè)中已達(dá)到非常好的性能，Mask R-CNN在此基礎(chǔ)上更進(jìn)一步：得到像素級(jí)別的檢測(cè)結(jié)果。 對(duì)每一個(gè)目標(biāo)物體，不僅給出其邊界框，并且對(duì)邊界框內(nèi)的各個(gè)像素是否屬于該物體進(jìn)行標(biāo)記。Mask R-CNN同樣為兩階段框架，第一階段掃描圖像生成候選框;第二階段根據(jù)候選框得到分類結(jié)果，邊界框，同時(shí)在原有Faster R-CNN模型基礎(chǔ)上添加分割分支，得到掩碼結(jié)果，實(shí)現(xiàn)了掩碼和類別預(yù)測(cè)關(guān)系的解藕。
圖3 Mask R-CNN網(wǎng)絡(luò)結(jié)構(gòu)泛化圖
Mask R-CNN的創(chuàng)新點(diǎn)
解決特征圖與原始圖像上的RoI不對(duì)準(zhǔn)問題：在Faster R-CNN中，沒有設(shè)計(jì)網(wǎng)絡(luò)的輸入和輸出的像素級(jí)別的對(duì)齊機(jī)制(pixel to pixel)。為了解決特征不對(duì)準(zhǔn)的問題，文章作者提出了RoIAlign層來解決這個(gè)問題，它能準(zhǔn)確的保存空間位置，進(jìn)而提高mask的準(zhǔn)確率。
將掩模預(yù)測(cè)(mask prediction)和分類預(yù)測(cè)(class prediction)拆解：該框架結(jié)構(gòu)對(duì)每個(gè)類別獨(dú)立的預(yù)測(cè)一個(gè)二值mask，不依賴分類(classification)分支的預(yù)測(cè)結(jié)果
掩模表示(mask representation)：有別于類別，框回歸，這幾個(gè)的輸出都可以是一個(gè)向量，但是mask必須要保持一定的空間結(jié)構(gòu)信息，因此作者采用全連接層(FCN)對(duì)每一個(gè)RoI中預(yù)測(cè)一個(gè)m*m的掩模。
圖4展示了Mask R-CNN在像素級(jí)別的目標(biāo)檢測(cè)結(jié)果：
圖4 Mask R-CNN：像素級(jí)別的目標(biāo)檢測(cè)
基于PaddlePaddle 實(shí)戰(zhàn)
環(huán)境準(zhǔn)備：需要PaddlePaddle Fluid的v.1.3.0或以上的版本。如果你的運(yùn)行環(huán)境中的PaddlePaddle低于此版本，請(qǐng)根據(jù)安裝文檔中的說明來更新PaddlePaddle。
數(shù)據(jù)準(zhǔn)備：在MS-COCO數(shù)據(jù)集上進(jìn)行訓(xùn)練，可以通過腳本來直接下載數(shù)據(jù)集：
cd dataset/coco
./download.sh
數(shù)據(jù)目錄結(jié)構(gòu)如下：
data/coco/
├── annotations
│ ├── instances_train2014.json
│ ├── instances_train2017.json
│ ├── instances_val2014.json
│ ├── instances_val2017.json
| …
├── train2017
│ ├── 000000000009.jpg
│ ├── 000000580008.jpg
| …
├── val2017
│ ├── 000000000139.jpg
│ ├── 000000000285.jpg
| …
模型訓(xùn)練：
下載預(yù)訓(xùn)練模型： 本示例提供Resnet-50預(yù)訓(xùn)練模型，該模性轉(zhuǎn)換自Caffe，并對(duì)批標(biāo)準(zhǔn)化層(Batch Normalization Layer)進(jìn)行參數(shù)融合。采用如下命令下載預(yù)訓(xùn)練模型。
sh ./pretrained/download.sh
通過初始化pretrained_model 加載預(yù)訓(xùn)練模型。同時(shí)在參數(shù)微調(diào)時(shí)也采用該設(shè)置加載已訓(xùn)練模型。 請(qǐng)?jiān)谟?xùn)練前確認(rèn)預(yù)訓(xùn)練模型下載與加載正確，否則訓(xùn)練過程中損失可能會(huì)出現(xiàn)NAN。
安裝cocoapi：
訓(xùn)練前需要首先下載cocoapi：
git clone https://github.com/cocodataset/cocoapi.git
cd cocoapi/PythonAPI
# if cython is not installed
pip install Cython
# Install into global site-packages
make install
# Alternatively, if you do not have permissions or prefer
# not to install the COCO API into global site-packages
python2 setup.py install –user
數(shù)據(jù)準(zhǔn)備完畢后，可以通過如下的方式啟動(dòng)訓(xùn)練：
#Faster RCNN
python train.py
–model_save_dir=output/
–pretrained_model=${path_to_pretrain_model}
–data_dir=${path_to_data}
–MASK_ON=False
#Mask RCNN
python train.py
–model_save_dir=output/
–pretrained_model=${path_to_pretrain_model}
–data_dir=${path_to_data}
–MASK_ON=True
通過設(shè)置export CUDA_VISIBLE_DEVICES=0,1,2,3,4,5,6,7指定8卡GPU訓(xùn)練。
通過設(shè)置MASK_ON選擇Faster RCNN和Mask RCNN模型。
可選參數(shù)見：
python train.py –help
數(shù)據(jù)讀取器說明：
數(shù)據(jù)讀取器定義在reader.py中。所有圖像將短邊等比例縮放至scales，若長邊大于max_size, 則再次將長邊等比例縮放至max_size。在訓(xùn)練階段，對(duì)圖像采用水平翻轉(zhuǎn)。支持將同一個(gè)batch內(nèi)的圖像padding為相同尺寸。
模型設(shè)置：
分別使用RoIAlign和RoIPool兩種方法。
訓(xùn)練過程pre_nms=12000, post_nms=2000，測(cè)試過程pre_nms=6000, post_nms=1000。nms閾值為0.7。
RPN網(wǎng)絡(luò)得到labels的過程中，fg_fraction=0.25，fg_thresh=0.5，bg_thresh_hi=0.5，bg_thresh_lo=0.0
RPN選擇anchor時(shí)，rpn_fg_fraction=0.5，rpn_positive_overlap=0.7，rpn_negative_overlap=0.3
訓(xùn)練策略：
采用momentum優(yōu)化算法訓(xùn)練，momentum=0.9。
權(quán)重衰減系數(shù)為0.0001，前500輪學(xué)習(xí)率從0.00333線性增加至0.01。在120000，160000輪時(shí)使用0.1,0.01乘子進(jìn)行學(xué)習(xí)率衰減，最大訓(xùn)練180000輪。同時(shí)我們也提供了2x模型，該模型采用更多的迭代輪數(shù)進(jìn)行訓(xùn)練，訓(xùn)練360000輪，學(xué)習(xí)率在240000，320000輪衰減，其他參數(shù)不變，訓(xùn)練最大輪數(shù)和學(xué)習(xí)率策略可以在config.py中對(duì)max_iter和lr_steps進(jìn)行設(shè)置。
非基礎(chǔ)卷積層卷積bias學(xué)習(xí)率為整體學(xué)習(xí)率2倍。
基礎(chǔ)卷積層中，affine_layers參數(shù)不更新，res2層參數(shù)不更新。
模型評(píng)估：
模型評(píng)估是指對(duì)訓(xùn)練完畢的模型評(píng)估各類性能指標(biāo)。本示例采用COCO官方評(píng)估。eval_coco_map.py是評(píng)估模塊的主要執(zhí)行程序，調(diào)用示例如下：
#Faster RCNN
python eval_coco_map.py
–dataset=coco2017
–pretrained_model=${path_to_trained_model}
–MASK_ON=False
#Mask RCNN
python eval_coco_map.py
–dataset=coco2017
–pretrained_model=${path_to_trained_model}
–MASK_ON=True
通過設(shè)置–pretrained_model=${path_to_trained_model}指定訓(xùn)練好的模型，注意不是初始化的模型。
通過設(shè)置export CUDA_VISIBLE_DEVICES=0指定單卡GPU評(píng)估。
通過設(shè)置MASK_ON選擇Faster RCNN和Mask RCNN模型。
模型精度：
下表為模型評(píng)估結(jié)果：
#Faster RCNN:
End2End Faster R-CNN: 使用RoIPool，不對(duì)圖像做填充處理。
End2End Faster R-CNN RoIAlign 1x: 使用RoIAlign，不對(duì)圖像做填充處理。
End2End Faster R-CNN RoIAlign 2x: 使用RoIAlign，不對(duì)圖像做填充處理。訓(xùn)練360000輪，學(xué)習(xí)率在240000，320000輪衰減。
#Mask RCNN:
End2End Mask R-CNN: 使用RoIAlign，不對(duì)圖像做填充處理。
模型推斷：
模型推斷可以獲取圖像中的物體及其對(duì)應(yīng)的類別，infer.py是主要執(zhí)行程序，調(diào)用示例如下：
python infer.py
–pretrained_model=${path_to_trained_model}
–image_path=dataset/coco/val2017/000000000139.jpg
–draw_threshold=0.6
注意，請(qǐng)正確設(shè)置模型路徑${path_to_trained_model}和預(yù)測(cè)圖片路徑。默認(rèn)使用GPU設(shè)備，也可通過設(shè)置–use_gpu=False使用CPU設(shè)備。可通過設(shè)置draw_threshold調(diào)節(jié)得分閾值控制檢測(cè)框的個(gè)數(shù)。
傳送門：
PaddlePaddle Github: https://github.com/PaddlePaddle
R-CNN in PaddlePaddle Github：https://github.com/PaddlePaddle/models/tree/develop/fluid/PaddleCV/rcnn
Reference：
Girshick, Ross, et al. “Rich feature hierarchies for accurate object detection and semantic segmentation.” Proceedings of the IEEE conference on computer vision and pattern recognition. 2014.
https://arxiv.org/abs/1311.2524
Girshick, Ross. “Fast r-cnn.” Proceedings of the IEEE international conference on computer vision. 2015.
https://arxiv.org/abs/1504.08083
Ren, Shaoqing, et al. “Faster r-cnn: Towards real-time object detection with region proposal networks.” Advances in neural information processing systems. 2015.
https://arxiv.org/abs/1506.01497
He, Kaiming, et al. “Mask r-cnn.” Proceedings of the IEEE international conference on computer vision. 2017.
https://arxiv.org/abs/1703.06870
特別提醒：本網(wǎng)內(nèi)容轉(zhuǎn)載自其他媒體，目的在于傳遞更多信息，并不代表本網(wǎng)贊同其觀點(diǎn)。其原創(chuàng)性以及文中陳述文字和內(nèi)容未經(jīng)本站證實(shí)，對(duì)本文以及其中全部或者部分內(nèi)容、文字的真實(shí)性、完整性、及時(shí)性本站不作任何保證或承諾，并請(qǐng)自行核實(shí)相關(guān)內(nèi)容。本站不承擔(dān)此類作品侵權(quán)行為的直接責(zé)任及連帶責(zé)任。如若本網(wǎng)有任何內(nèi)容侵犯您的權(quán)益，請(qǐng)及時(shí)聯(lián)系我們，本站將會(huì)在24小時(shí)內(nèi)處理完畢。
