www涩-www黄网站-www黄色-www黄色com-国产免费拍拍视频在线观看网站-国产免费怕怕免费视频观看

干貨 | 目標檢測入門,看這篇就夠了(模型的評測與訓練技巧)

2018-03-19 17:00:56 csdn  點擊量: 評論 (0)
文章結(jié)構(gòu)檢測模型的評測指標目標檢測模型本源上可以用統(tǒng)計推斷的框架描述,我們關(guān)注其犯第一類錯誤和第二類錯誤的概率,通常用準確率和召回

文章結(jié)構(gòu)

 

 

檢測模型的評測指標

 

目標檢測模型本源上可以用統(tǒng)計推斷的框架描述,我們關(guān)注其犯第一類錯誤和第二類錯誤的概率,通常用準確率和召回率來描述。準確率描述了模型有多準,即在預測為正例的結(jié)果中,有多少是真正例;召回率則描述了模型有多全,即在為真的樣本中,有多少被我們的模型預測為正例。不同的任務,對兩類錯誤有不同的偏好,常常在某一類錯誤不多于一定閾值的情況下,努力減少另一類錯誤。在檢測中,mAP(mean Average Precision)作為一個統(tǒng)一的指標將這兩種錯誤兼顧考慮。

 

具體地,對于每張圖片,檢測模型輸出多個預測框(常常遠超真實框的個數(shù)),我們使用IoU(Intersection Over Union,交并比)來標記預測框是否為預測正確。標記完成后,隨著預測框的增多,召回率總會提升,在不同的召回率水平下對準確率做平均,即得到AP,最后再對所有類別按其所占比例做平均,即得到mAP。

 

在較早的Pascal VOC數(shù)據(jù)集上,常采用固定的一個IoU閾值(如0.5, 0.75)來計算mAP,現(xiàn)階段較為權(quán)威的MS COCO數(shù)據(jù)集上,對不同的IoU閾值(0.5-0.95,0.05為步長)分別計算AP,再綜合平均,并且給出了不同大小物體分別的AP表現(xiàn),對定位準確的模型給予獎勵并全面地展現(xiàn)不同大小物體上檢測算法的性能,更為科學合理。

 

在實踐中,我們不僅關(guān)注檢測模型的精度,還關(guān)注其運行的速度,常常用FPS(Frame Per Second,每秒幀率)來表示檢測模型能夠在指定硬件上每秒處理圖片的張數(shù)。通常來講,在單塊GPU上,兩階段方法的FPS一般在個位數(shù),而單階段方法可以達到數(shù)十。現(xiàn)在檢測模型運行的平臺并不統(tǒng)一,實踐中也不能部署較為昂貴的GPU進行推斷。事實上,很多文章并沒有嚴謹討論其提出模型的速度表現(xiàn)(加了較多的trick以使精度達到SOTA),另外,考慮到目前移動端專用芯片的發(fā)展速度和研究進展,速度方面的指標可能較難形成統(tǒng)一的參考標準,需要謹慎看待文章中匯報的測試結(jié)果。

 

標準評測數(shù)據(jù)集

 

Pascal VOC(Pascal Visual Object Classes)

 

鏈接:http://host.robots.ox.ac.uk/pascal/VOC/

 

自2005年起每年舉辦一次比賽,最開始只有4類,到2007年擴充為20個類,共有兩個常用的版本:2007和2012。學術(shù)界常用5k的trainval2007和16k的trainval2012作為訓練集(07+12),test2007作為測試集,用10k的trainval2007+test2007和和16k的trainval2012作為訓練集(07++12),test2012作為測試集,分別匯報結(jié)果。

 

Pascal VOC對早期檢測工作起到了重要的推動作用,目前提升的空間相對有限,權(quán)威評測集的交接棒也逐漸傳給了下面要介紹的COCO。

 

MS COCO(Common Objects in COntext-http://cocodataset.org)

 

檢測任務在COCO數(shù)據(jù)集上的進展

 

COCO數(shù)據(jù)集收集了大量包含常見物體的日常場景圖片,并提供像素級的實例標注以更精確地評估檢測和分割算法的效果,致力于推動場景理解的研究進展。依托這一數(shù)據(jù)集,每年舉辦一次比賽,現(xiàn)已涵蓋檢測、分割、關(guān)鍵點識別、注釋等機器視覺的中心任務,是繼ImageNet Chanllenge以來最有影響力的學術(shù)競賽之一。

 

iconic與non-iconic圖片對比

 

相比ImageNet,COCO更加偏好目標與其場景共同出現(xiàn)的圖片,即non-iconic images。這樣的圖片能夠反映視覺上的語義,更符合圖像理解的任務要求。而相對的iconic images則更適合淺語義的圖像分類等任務。

 

COCO的檢測任務共含有80個類,在2014年發(fā)布的數(shù)據(jù)規(guī)模分train/val/test分別為80k/40k/40k,學術(shù)界較為通用的劃分是使用train和35k的val子集作為訓練集(trainval35k),使用剩余的val作為測試集(minival),同時向官方的evaluation server提交結(jié)果(test-dev)。除此之外,COCO官方也保留一部分test數(shù)據(jù)作為比賽的評測集。

 

COCO數(shù)據(jù)集分布

 

在分布方面,COCO的每個類含有更多實例,分布也較為均衡(上圖a),每張圖片包含更多類和更多的實例(上圖b和c,均為直方圖,每張圖片平均分別含3.3個類和7.7個實例),相比Pascal VOC,COCO還含有更多的小物體(下圖,橫軸是物體占圖片的比例)。

 

COCO數(shù)據(jù)集物體大小分布

 

如本文第一節(jié)所述,COCO提供的評測標準更為精細化,提供的API不僅包含了可視化、評測數(shù)據(jù)的功能,還有對模型的錯誤來源分析腳本,能夠更清晰地展現(xiàn)算法的不足之處。COCO所建立的這些標準也逐漸被學術(shù)界認可,成為通用的評測標準。您可以在這里找到目前檢測任務的LeaderBoard。

 

錯誤來源分解,詳見http://cocodataset.org/#detections-eval

Cityscapes(https://www.cityscapes-dataset.com)

 

Cityscapes數(shù)據(jù)示例

 

Cityscapes數(shù)據(jù)集專注于現(xiàn)代城市道路場景的理解,提供了30個類的像素級標注,是自動駕駛方向較為權(quán)威的評測集。

 

檢測模型中的Bells and wisthles

 

本節(jié)介紹常見的提升檢測模型性能的技巧,它們常作為trick在比賽中應用。其實,這樣的名稱有失公允,部分工作反映了作者對檢測模型有啟發(fā)意義的觀察,有些具有成為檢測模型標準組件的潛力(如果在早期的工作中即被應用則可能成為通用做法)。讀者將它們都看作學術(shù)界對解決這一問題的努力即可。對研究者,誠實地報告所引用的其他工作并添加有說服力的消融實驗(ablation expriments)以支撐自己工作的原創(chuàng)性和貢獻之處,則是值得倡導的行為。

 

Data augmentation 數(shù)據(jù)增強

 

數(shù)據(jù)增強是增加深度模型魯棒性和泛化性能的常用手段,隨機翻轉(zhuǎn)、隨機裁剪、添加噪聲等也被引入到檢測任務的訓練中來,其信念是通過數(shù)據(jù)的一般性來迫使模型學習到諸如對稱不變性、旋轉(zhuǎn)不變性等更一般的表示。通常需要注意標注的相應變換,并且會大幅增加訓練的時間。個人認為數(shù)據(jù)(監(jiān)督信息)的適時傳入可能是更有潛力的方向。

 

Multi-scale Training/Testing 多尺度訓練/測試

 

輸入圖片的尺寸對檢測模型的性能影響相當明顯,事實上,多尺度是提升精度最明顯的技巧之一。在基礎網(wǎng)絡部分常常會生成比原圖小數(shù)十倍的特征圖,導致小物體的特征描述不容易被檢測網(wǎng)絡捕捉。通過輸入更大、更多尺寸的圖片進行訓練,能夠在一定程度上提高檢測模型對物體大小的魯棒性,僅在測試階段引入多尺度,也可享受大尺寸和多尺寸帶來的增益。

 

multi-scale training/testing最早見于[1],訓練時,預先定義幾個固定的尺度,每個epoch隨機選擇一個尺度進行訓練。測試時,生成幾個不同尺度的feature map,對每個Region Proposal,在不同的feature map上也有不同的尺度,我們選擇最接近某一固定尺寸(即檢測頭部的輸入尺寸)的Region Proposal作為后續(xù)的輸入。在[2]中,選擇單一尺度的方式被Maxout(element-wise max,逐元素取最大)取代:隨機選兩個相鄰尺度,經(jīng)過Pooling后使用Maxout進行合并,如下圖所示。

 

使用Maxout合并feature vector

 

近期的工作如FPN等已經(jīng)嘗試在不同尺度的特征圖上進行檢測,但多尺度訓練/測試仍作為一種提升性能的有效技巧被應用在MS COCO等比賽中。

 

Global Context 全局語境

 

這一技巧在ResNet的工作[3]中提出,做法是把整張圖片作為一個RoI,對其進行RoI Pooling并將得到的feature vector拼接于每個RoI的feature vector上,作為一種輔助信息傳入之后的R-CNN子網(wǎng)絡。目前,也有把相鄰尺度上的RoI互相作為context共同傳入的做法。

 

Box Refinement/Voting 預測框微調(diào)/投票法

 

微調(diào)法和投票法由工作[4]提出,前者也被稱為Iterative Localization。微調(diào)法最初是在SS算法得到的Region Proposal基礎上用檢測頭部進行多次迭代得到一系列box,在ResNet的工作中,作者將輸入R-CNN子網(wǎng)絡的Region Proposal和R-CNN子網(wǎng)絡得到的預測框共同進行NMS(見下面小節(jié))后處理,最后,把跟NMS篩選所得預測框的IoU超過一定閾值的預測框進行按其分數(shù)加權(quán)的平均,得到最后的預測結(jié)果。投票法可以理解為以頂尖篩選出一流,再用一流的結(jié)果進行加權(quán)投票決策。

 

OHEM 在線難例挖掘

 

OHEM(Online Hard negative Example Mining,在線難例挖掘)見于[5]。兩階段檢測模型中,提出的RoI Proposal在輸入R-CNN子網(wǎng)絡前,我們有機會對正負樣本(背景類和前景類)的比例進行調(diào)整。通常,背景類的RoI Proposal個數(shù)要遠遠多于前景類,F(xiàn)ast R-CNN的處理方式是隨機對兩種樣本進行上采樣和下采樣,以使每一batch的正負樣本比例保持在1:3,這一做法緩解了類別比例不均衡的問題,是兩階段方法相比單階段方法具有優(yōu)勢的地方,也被后來的大多數(shù)工作沿用。

 

OHEM圖解

 

但在OHEM的工作中,作者提出用R-CNN子網(wǎng)絡對RoI Proposal預測的分數(shù)來決定每個batch選用的樣本,這樣,輸入R-CNN子網(wǎng)絡的RoI Proposal總為其表現(xiàn)不好的樣本,提高了監(jiān)督學習的效率。實際操作中,維護兩個完全相同的R-CNN子網(wǎng)絡,其中一個只進行前向傳播來為RoI Proposal的選擇提供指導,另一個則為正常的R-CNN,參與損失的計算并更新權(quán)重,并且將權(quán)重復制到前者以使兩個分支權(quán)重同步。

 

OHEM以額外的R-CNN子網(wǎng)絡的開銷來改善RoI Proposal的質(zhì)量,更有效地利用數(shù)據(jù)的監(jiān)督信息,成為兩階段模型提升性能的常用部件之一。

 

Soft NMS 軟化非極大抑制

 

NMS后處理圖示

 

NMS(Non-Maximum Suppression,非極大抑制)是檢測模型的標準后處理操作,用于去除重合度(IoU)較高的預測框,只保留預測分數(shù)最高的預測框作為檢測輸出。Soft NMS由[6]提出。在傳統(tǒng)的NMS中,跟最高預測分數(shù)預測框重合度超出一定閾值的預測框會被直接舍棄,作者認為這樣不利于相鄰物體的檢測。提出的改進方法是根據(jù)IoU將預測框的預測分數(shù)進行懲罰,最后再按分數(shù)過濾。配合Deformable Convnets(將在之后的文章介紹),Soft NMS在MS COCO上取得了當時最佳的表現(xiàn)。算法改進如下:

 

Soft-NMS算法改進

 

上圖中的f即為軟化函數(shù),通常取線性或高斯函數(shù),后者效果稍好一些。當然,在享受這一增益的同時,Soft-NMS也引入了一些超參,對不同的數(shù)據(jù)集需要試探以確定最佳配置。

 

RoIAlign RoI對齊

 

RoIAlign是Mask R-CNN([7])的工作中提出的,針對的問題是RoI在進行Pooling時有不同程度的取整,這影響了實例分割中mask損失的計算。文章采用雙線性插值的方法將RoI的表示精細化,并帶來了較為明顯的性能提升。這一技巧也被后來的一些工作(如light-head R-CNN)沿用。

 

拾遺

 

除去上面所列的技巧外,還有一些做法也值得注意:

 

  • 更好的先驗(YOLOv2):使用聚類方法統(tǒng)計數(shù)據(jù)中box標注的大小和長寬比,以更好的設置anchor box的生成配置

  • 更好的pre-train模型:檢測模型的基礎網(wǎng)絡通常使用ImageNet(通常是ImageNet-1k)上訓練好的模型進行初始化,使用更大的數(shù)據(jù)集(ImageNet-5k)預訓練基礎網(wǎng)絡對精度的提升亦有幫助

  • 超參數(shù)的調(diào)整:部分工作也發(fā)現(xiàn)如NMS中IoU閾值的調(diào)整(從0.3到0.5)也有利于精度的提升,但這一方面尚無最佳配置參照

 

最后,集成(Ensemble)作為通用的手段也被應用在比賽中。

總結(jié)

 

本篇文章里,我們介紹了檢測模型常用的標準評測數(shù)據(jù)集和訓練模型的技巧,上述內(nèi)容在溯源和表述方面的不實之處也請讀者評論指出。從下一篇開始,我們將介紹檢測領域較新的趨勢,請持續(xù)關(guān)注。

大云網(wǎng)官方微信售電那點事兒

責任編輯:售電衡衡

免責聲明:本文僅代表作者個人觀點,與本站無關(guān)。其原創(chuàng)性以及文中陳述文字和內(nèi)容未經(jīng)本站證實,對本文以及其中全部或者部分內(nèi)容、文字的真實性、完整性、及時性本站不作任何保證或承諾,請讀者僅作參考,并請自行核實相關(guān)內(nèi)容。
我要收藏
個贊
?
主站蜘蛛池模板: 久草在线免费福利视频 | 看中国毛片 | 色一情一乱一乱91av | 亚洲成 人a影院青久在线观看 | 亚洲国产成人99精品激情在线 | 欧美 自拍 丝袜 亚洲 | 一级在线免费视频 | 91男女视频 | a毛片免费观看完整 | 夜间福利网站 | 国产精品无圣光一区二区 | 性欧美在线| 免费看美女午夜大片 | 亚洲一区 在线播放 | 欧美一级毛片日本 | 87精品福利视频在线观看 | 亚洲精品日本高清中文字幕 | 草视频在线观看 | 欧美巨大精品欧美一区二区 | 久草在线新视觉 | 美女视频全部免费 | 色吊丝avav色吊丝 | 亚洲一级特黄特黄的大片 | www国产| 日韩视频在线观看中字 | 亚洲国产tv | 欧美日韩亚洲第一页 | 九九精品视频在线观看九九 | 国产亚洲精品日韩已满十八 | 欧美成人免费全部观看天天性色 | 伊人午夜| 久草视频在线播放 | 日韩在线一区二区三区 | 五月天激激婷婷大综合蜜芽 | 欧美日韩一二区 | 在线视频一区二区 | 欧美日韩视频免费播放 | 欧美一区二区在线播放 | 久久精品国产精品亚洲人人 | 色偷偷亚洲偷自拍 | 欧美国产日本高清不卡 |