cs231n---语义分割 物体定位 物体检测 物体分割

1 语义分割

语义分割是对图像中每个像素作分类，不区分物体，只关心像素。如下：

（1）完全的卷积网络架构

处理语义分割问题可以使用下面的模型：

其中我们经过多个卷积层处理，最终输出体的维度是C*H*W，C表示类别个数，表示每个像素在不同类别上的得分。最终取最大得分为预测类别。

训练这样一个模型，我们需要对每个像素都分好类的训练集（通常比较昂贵）。然后前向传播出一张图的得分体（C*H*W），与训练集的标签体求交叉熵，得到损失函数，然后反向传播学习参数。

然而，这样一个模型的中间层完全保留了图像的大小，非常占内存，因此有下面改进的框架。

（2）先欠采样再过采样的框架

经过欠采样后可以大量节省内存，提高效率，最后再经过过采样来恢复原始图片的大小。我们知道欠采样可以使用卷积层和池化，下面介绍过采样的几种方式。

去池化 Unpooling

去池化有Nearest Neighbor，Bed of Nails等方法：

还有一种被称为Max Unpooling 的方法，该方法记录下之前使用max pooling前各个最大值在数组中的索引，去池化的时候把值放到索引处，其他位置补0:

转置卷积 Transpose Convolution

不同于去池化，转置卷积法是一种可学习的过采样方法。具体步骤是，将输入的每个值作为权重，对滤波器进行加权，然后各个加权的滤波器按照步长拼成输出，重叠部分相加。如下：

我们可以通过学习滤波器，来学习网络应该如何做过采样。

理解转置卷积的一个一维的例子是：

在一些论文里，转置卷积还有一些其他名字，看到的时候要知道：

另外，转置卷积之所以被称为转置卷积，是因为它的矩阵形式。传统的卷积写成矩阵形式如下（注意这里是一维的例子）：

其中x是滤波器，a是输入。而转置卷积写成矩阵形式如下:

2 分类+定位

分类+定位的任务要求我们在给图片打标签之后，还要框出物体在什么地方（注意与物体检测的区别，在分类定位中，输出的框的个数是事先已知的，而物体检测中则是不确定的）。如下：

此类任务常用的处理框架如下：

首先我们还是用CNN得到描述图片的特征向量，然后我们接入两个全连接网络，一个网络负责生成最后的类别评分，另一个负责生成红框四个点的坐标值。因此对应两个损失，softmax损失和回归损失。我们将这两个损失加权相加得到总的损失（加权值是超参数），然后进行反向传播学习。

这里应用回归的思路同样可以应用于姿态估计，我们用十四个点来确定一个人的姿态情况：

应用同样的框架（CNN+回归全连接网络）可以训练这个任务：

3 物体检测

与分类+定位任务不同的是，物体检测中需要检测的物体数量是不确定的，因此无法直接使用上面的回归框架。下面简单介绍几个框架。

（1）滑动窗口

滑动窗口的思想是随机选取若干个不同大小不同位置的窗口，对它们应用CNN进行分类。缺点是窗口数量很大，计算代价很高。

（2）RCNN

训练阶段：

a 使用IMAGENet的数据预训练一个CNN

b 构造训练集：首先应用Selective Search算法从每张带标定框的图像中选取2000～3000个候选框。对每个候选框来说，找到与它重叠面积最大的标定框，如果重叠比例大于阈值（0.5），则将该候选框标签设为该标定框的标签，若重叠比例小于阈值（0.5），则标签设为“背景”。同时对于重叠比例大于一定阈值（0.6）的候选框，还要计算出其与标定框的偏移距离。

c 每个候选区域经过预处理，送到CNN中提取出图像特征，然后把图像特征送到SVM分类器中，计算出标签分类的损失。同时图像特征还要送到回归器中，计算偏移距离的L2损失。

d 反向传播训练SVM，回归器，CNN

整体框架图如下：

（3）Fast RCNN

RCNN训练和预测速度很慢，主要是由于不同候选框之间的重叠部分特征重复用CNN提取导致的。因此可以采取先对整个图像进行CNN特征提取，然后在选定候选区域，并从总的featuremap中找到每个候选区域对应的特征。框架如下：

（4）Faster RCNN

Fast RCNN的性能瓶颈是SS算法选定候选区域，在Faster RCNN中，使用网络Region Proposal Network (RPN) 来预测候选区域，整体框架如下：

Faster RCNN是当前很先进的目标检测框架，要了解细节看这篇论文：

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的思想是将图像划分为很多个格子，以每个格子的中心可以衍生出若干个base boxes。使用神经网络一次性的对这些格子进行分类，对这些baseboxes进行回归。

上图中，一个图像划分为7*7个grid，每个grid有3个base boxes。我们需要用回归为每个base boxes预测五个值，为每个格子进行分类打分。直接使用一个的CNN神经网络输出7*7*（5*B+C）的大小即可。

更多细节参看论文：Liu et al, “SSD: Single-Shot MultiBox Detector”, ECCV 2016

（6）各种物体检测框架的对比

有很多变量可控：

这篇论文对比了各种框架：

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

FasterCNN比SSD具有更高的精度，但是没有SSD快。

（7）Dense Captioning

Dense Captioning 是对图片中的每个事物做检测，并用语言进行描述：

Dense Captioning其实就是Object Detection + Captioning ，其框架可以使用faster RCNN结合LSTM来做。具体参考文献：

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

4 物体分割

物体分割要做的是在物体检测上更进一步，从像素层面把各个物体分割出来。

Mask RCNN是当前很前沿的一种方法，其将faster RCNN和语义分割结合成一个框架，具有非常好的效果！框架为：

如上图，首先将图像使用CNN处理为特征，然后经过一个RPN网络生成候选区域，投射到之前的feature map。到这里与faster RCNN一样。之后有两个分支，一个分支与faster RCNN相同，预测候选框的分类和边界值，另一个分支则与语义分割相似，为每个像素做分类。

mask RCNN具有超级好的效果，有机会一定要拜读一下。

He et al, “Mask R-CNN”, arXiv 2017

5 总结

这些成功的计算机视觉框架和模型给我们的启示是，将具有基本功能的模块整合成一个可训练的端到端系统，可以完成更加复杂的功能。通过向网络中引入多个损失函数的分支，可以让其完成多目标的联合优化。