SSD 用于實(shí)時(shí)物體檢測介紹

yy13818512006 發(fā)布于2019-04-25 18:29 / 1862人閱讀

摘要：但是他們對于實(shí)時(shí)監(jiān)測來說，還是有點(diǎn)慢。上圖是我們用于物體檢測的訓(xùn)練數(shù)據(jù)集的示例。分類器在每個(gè)步驟中應(yīng)用于檢測對象。

卷積神經(jīng)網(wǎng)絡(luò)（CNN）在物體識別中由于其他的神經(jīng)網(wǎng)絡(luò)架構(gòu)，所以研究人員很快對 CNN 進(jìn)行了改進(jìn)以使得它們能更好的對物體進(jìn)行定位和檢測，這種神經(jīng)網(wǎng)絡(luò)架構(gòu)就被稱為 R-CNN（Region-CNN）。R-CNN 的輸出是具有矩形框的圖像，以下是 R-CNN 如何工作的步驟：

使用稱為可能性搜索的算法掃描整個(gè)輸入圖像，用來查詢可能的對象，并生成大約 2000 個(gè)區(qū)域提議；

在每個(gè)區(qū)域提案上運(yùn)行 CNN；

獲取每個(gè) CNN 的輸出并將其輸入：

SVM 對區(qū)域進(jìn)行分類；

如果存在這樣的對象，則利用線性回歸其收緊對象的邊界框；

雖然 R-CNN 比傳統(tǒng)的 CNN 在對象對位，檢測和分類方面取得了很大進(jìn)步，但是在實(shí)時(shí)性上面還是存在一點(diǎn)問題，主要是：

訓(xùn)練數(shù)據(jù)很難處理，而且需要很長時(shí)間；

訓(xùn)練分為兩步進(jìn)行（區(qū)域劃分和分類）；

在測試的時(shí)候，網(wǎng)絡(luò)的計(jì)算非常慢；

為了改進(jìn) R-CNN，研究人員想出了很多的算法，比如 Fast-RCNN，F(xiàn)aster-RCNN。后來的幾個(gè)算法在對象檢測上面能得到更準(zhǔn)確的結(jié)果。但是他們對于實(shí)時(shí)監(jiān)測來說，還是有點(diǎn)慢。SSD 就能同時(shí)解決這兩個(gè)問題，它在準(zhǔn)確性和計(jì)算速度方面具有良好的平衡。

SSD（Single Shot MultiBox Detector）

SIngle Shot：對象定位和分類在同一個(gè)前向網(wǎng)絡(luò)中完成；

MultiBox：邊界框回歸的技術(shù)

Detector：對檢測到的對象進(jìn)行分類；

具體架構(gòu)如下：

SSD 的架構(gòu)基于 VGG-16 架構(gòu)開發(fā)。但是對 VGG-16 進(jìn)行了一些調(diào)整，我們使用 Conv6 層以上的輔助卷積層而不是完全連接層。使用 VGG-16 作為基礎(chǔ)網(wǎng)絡(luò)層的原因是其高質(zhì)量的圖像分類和遷移學(xué)習(xí)的能力，可以用來改善結(jié)果。使用輔助卷積層，我們可以提取多個(gè)尺度的特征，并逐步減小每個(gè)后續(xù)層的尺寸。在下面介紹的工作原理圖中，你可以看到 VGG-16 架構(gòu)處理的圖像。

工作機(jī)制

為了訓(xùn)練我們的算法，我們需要一個(gè)包含帶有對象的圖像訓(xùn)練集，這些對象必須在他們上面有邊界框。通過這種方式學(xué)習(xí)，算法可以學(xué)會如何將舉行放置子啊何處。我們最小化邊界框和實(shí)際的框的誤差，以優(yōu)化我們的模型可以正確的檢測到對象。與 CNN 不同的是，我們不僅預(yù)測圖像中是否存在該物體，而且還需要預(yù)測物體在圖像中的位置。在訓(xùn)練期間，算法學(xué)習(xí)調(diào)整對象中矩陣框的高度和寬度。

上圖是我們用于物體檢測的訓(xùn)練數(shù)據(jù)集的示例。這些數(shù)據(jù)集必須包含在圖像中標(biāo)記其類的對象。更多默認(rèn)框?qū)е赂鼫?zhǔn)確的檢測。

如果你是一個(gè)初學(xué)者，可以先使用 Pascal VOC 和 COCO 來進(jìn)行學(xué)習(xí)。

處理規(guī)模問題

上面的圖，我們的馬匹有很少的圖像。我們將輸入圖像劃分為網(wǎng)格集。然后我們圍繞這些網(wǎng)格制作幾個(gè)不同寬高比的巨星。然后我們子啊這些礦中應(yīng)用卷積來查找這些網(wǎng)絡(luò)中是否存在對象。這里的一匹黑馬在圖像中更靠近相機(jī)。因此，我們繪制的矩形無法識別是否是馬，因?yàn)榫匦螞]有任何識別馬匹的特征。

如果我們看到 SSD 的上述架構(gòu)，我們可以在 Conv6 層之后的每個(gè)步驟中看到圖像的大小顯著減小。然后，我們討論的關(guān)于制作網(wǎng)格和在這些網(wǎng)格上查找對象的每個(gè)操作都適用于從網(wǎng)絡(luò)的后面到前面的卷積的每個(gè)步驟。分類器在每個(gè)步驟中應(yīng)用于檢測對象。因此，由于物體在每個(gè)步驟中不斷變小，索引很容易被識別出來。

SSD 算法還知道如何從一個(gè)卷積操作返回到另一個(gè)卷積操作。它不僅學(xué)會前進(jìn)而且學(xué)會如何后腿。例如，如果他在 Conv4 層中看到馬，那么它可以返回到 Conv6 并且算法將在馬周圍進(jìn)行繪制矩形。

聲明：文章收集于網(wǎng)絡(luò)，如有侵權(quán)，請聯(lián)系小編及時(shí)處理，謝謝！

歡迎加入本站公開興趣群

商業(yè)智能與數(shù)據(jù)分析群

興趣范圍包括各種讓數(shù)據(jù)產(chǎn)生價(jià)值的辦法，實(shí)際應(yīng)用案例分享與討論，分析工具，ETL工具，數(shù)據(jù)倉庫，數(shù)據(jù)挖掘工具，報(bào)表系統(tǒng)等全方位知識

QQ群：81035754