网站备案和不备案有什么区别,自己做的网站首页变成符号了,做网站的素材和步骤,东莞家具行业营销型网站建设多少钱最近在阅读FPN for object detection,看了网上的很多资料#xff0c;有些认识是有问题的#xff0c;当然有些很有价值。下面我自己总结了一下#xff0c;以供参考。
1. FPN解决了什么问题#xff1f;
答#xff1a; 在以往的faster rcnn进行目标检测时#xff0c;无论…最近在阅读FPN for object detection,看了网上的很多资料有些认识是有问题的当然有些很有价值。下面我自己总结了一下以供参考。
1. FPN解决了什么问题
答 在以往的faster rcnn进行目标检测时无论是rpn还是fast rcnnroi 都作用在最后一层这在大目标的检测没有问题但是对于小目标的检测就有些问题。因为对于小目标来说当进行卷积池化到最后一层实际上语义信息已经没有了因为我们都知道对于一个roi映射到某个feature map的方法就是将底层坐标直接除以stride,显然越后映射过去后就越小甚至可能就没有了。 所以为了解决多尺度检测的问题引入了特征金字塔网络。
下面我们介绍一下特征金字塔网络。如下引用[1] 图(a)是相当常见的一种多尺度方法称为featurized image pyramid,这种方法在较早的人工设计特征DPM时被广泛使用,在CNN中也有人使用过。就是对input iamge进行multi scale通过设置不同的缩放比例实现。这种可以解决多尺度但是相当于训练了多个模型假设要求输入大小固定即便允许输入大小不固定但是也增加了存储不同scale图像的内存空间。图(b)就是CNN了cnn相比人工设计特征能够自己学习到更高级的语义特征同时CNN对尺度变化鲁棒因此如图从单个尺度的输入计算的特征也能用来识别但是遇到明显的多尺度目标检测时还是需要金字塔结构来进一步提升准确率。 从现在在imageNet和COCO数据集上领先的的一些方法来看在测试的时候都用到了featurized image pyramid方法,即结合(a)(b)。 说明了特征化图像金字塔的每一级的好处在于产生了多尺度的特征表示每一级的特征都有很强的语义因为都用cnn生成的特征包括高分辨率的一级最大尺度的输入图像。 但是这种模式有明显的弊端相比于原来方法时间增长了4倍很难在实时应用中使用同样也增大了存储代价这就是为什么只是在测试阶段使用image pyramid。但是如果只在测试阶段使用那么训练和测试在推断的时候会不一致。所以最近的一些方法干脆舍弃了image pyramid。
但是image pyramid不是计算多尺度特征表示的唯一方法。deepCNN能够层次化的特征而且因为池化的作用会产生金字塔形的特征具有一种内在的多尺度。但是问题在于高分辨率的map浅层具有low-level的特征所以浅层的目标识别性能较弱。这也是不同level融合的目的。
如图(c)SSD较早尝试了使用CNN金字塔形的层级特征。理想情况下SSD风格的金字塔 重利用了前向过程计算出的来自多层的多尺度特征图因此这种形式是不消耗额外的资源的。但是SSD为了避免使用low-level的特征放弃了浅层的feature map而是从conv4_3开始建立金字塔而且加入了一些新的层。因此SSD放弃了重利用更高分辨率的feature map但是这些feature map对检测小目标非常重要。这就是SSD与FPN的区别。图(4)是FPN的结构FPN是为了自然地利用CNN层级特征的金字塔形式同时生成在所有尺度上都具有强语义信息的特征金字塔。所以FPN的结构设计了top-down结构和横向连接以此融合具有高分辨率的浅层layer和具有丰富语义信息的深层layer。这样就实现了从单尺度的单张输入图像快速构建在所有尺度上都具有强语义信息的特征金字塔同时不产生明显的代价。
下面我们再来看一下相似的网络 上面一个带有skip connection的网络结构在预测的时候是在finest level自顶向下的最后一层进行的简单讲就
是经过多次上采样并融合特征到最后一步拿最后一步生成的特征做预测。而FPN网络结构和上面的类似区别在于
预测是在每一层中独立进行的。后面的实验证明finest level的效果不如FPN好原因在于FPN网络是一个窗口大小固定的滑动窗口检测器因此在金字塔的不同层滑动可以增加其对尺度变化的鲁棒性。另外虽然finest level有更多的anchor但仍然效果不如FPN好说明增加anchor的数量并不能有效提高准确率。自下而上的路径
CNN的前馈计算就是自下而上的路径特征图经过卷积核计算通常是越变越小的也有一些特征层的输出和原来大小一样称为“相同网络阶段”same network stage 。对于本文的特征金字塔作者为每个阶段定义一个金字塔级别 然后选择每个阶段的最后一层的输出作为特征图的参考集。 这种选择是很自然的因为每个阶段的最深层应该具有最强的特征。具体来说对于ResNets作者使用了每个阶段的最后一个残差结构的特征激活输出。将这些残差模块输出表示为{C2, C3, C4, C5}对应于conv2conv3conv4和conv5的输出并且注意它们相对于输入图像具有{4, 8, 16, 32}像素的步长。考虑到内存占用没有将conv1包含在金字塔中。
自上而下的路径和横向连接
自上而下的路径the top-down pathway 是如何去结合低层高分辨率的特征呢方法就是把更抽象语义更强的高层特征图进行上取样然后把该特征横向连接lateral connections 至前一层特征因此高层特征得到加强。值得注意的是横向连接的两层特征在空间尺寸上要相同。这样做应该主要是为了利用底层的定位细节信息。
下图显示连接细节。把高层特征做2倍上采样最邻近上采样法可以参考反卷积然后将其和对应的前一层特征结合前一层要经过1 * 1的卷积核才能用目的是改变channels应该是要和后一层的channels相同结合方式就是做像素间的加法。重复迭代该过程直至生成最精细的特征图。迭代开始阶段作者在C5层后面加了一个1 * 1的卷积核来产生最粗略的特征图最后作者用3 * 3的卷积核去处理已经融合的特征图为了消除上采样的混叠效应以生成最后需要的特征图。为了后面的应用能够在所有层级共享分类层这里坐着固定了3*3卷积后的输出通道为d,这里设为256.因此所有额外的卷积层比如P2具有256通道输出。这些额外层没有用非线性。
{C2, C3, C4, C5}层对应的融合特征层为{P2, P3, P4, P5}对应的层空间尺寸是相通的。 2. 应用
Faster R-CNNResnet-101
本部分来源自http://www.voidcn.com/article/p-xtjooucw-dx.html 要想明白FPN如何应用在RPN和Fast R-CNN合起来就是Faster R-CNN首先要明白Faster R-CNNResnet-101的结构这部分在是论文中没有的博主试着用自己的理解说一下。
直接理解就是把Faster-RCNN中原有的VGG网络换成ResNet-101ResNet-101结构如下图 Faster-RCNN利用conv1到conv4-x的91层为共享卷积层然后从conv4-x的输出开始分叉一路经过RPN网络进行区域选择另一路直接连一个ROI Pooling层把RPN的结果输入ROI Pooling层映射成7 * 7的特征。然后所有输出经过conv5-x的计算这里conv5-x起到原来全连接层fc的作用。最后再经分类器和边框回归得到最终结果。整体框架用下图表示 RPN中的特征金字塔网络
本部分来源自http://www.voidcn.com/article/p-xtjooucw-dx.html
RPN是Faster R-CNN中用于区域选择的子网络RPN是在一个13 * 13 * 256的特征图上应用9种不同尺度的anchor本篇论文另辟蹊径把特征图弄成多尺度的然后固定每种特征图对应的anchor尺寸很有意思。也就是说作者在每一个金字塔层级应用了单尺度的anchor{P2, P3, P4, P5, P6}分别对应的anchor尺度为{32^2, 64^2, 128^2, 256^2, 512^2 }当然目标不可能都是正方形本文仍然使用三种比例{1:2, 1:1, 2:1}所以金字塔结构中共有15种anchors。这里博主尝试画一下修改后的RPN结构 从图上看出各阶层共享后面的分类网络。这也是强调为什么各阶层输出的channel必须一致的原因这样才能使用相同的参数达到共享的目的。注意上面的p6,根据论文中所指添加 正负样本的界定和Faster RCNN差不多如果某个anchor和一个给定的ground truth有最高的IOU或者和任意一个Ground truth的IOU都大于0.7则是正样本。如果一个anchor和任意一个ground truth的IOU都小于0.3则为负样本。
Fast R-CNN 中的特征金字塔网络
Fast R-CNN 中很重要的是ROI Pooling层需要对不同层级的金字塔制定不同尺度的ROI。 ROI Pooling层使用region proposal的结果和中间的某一特征图作为输入得到的结果经过分解后分别用于分类结果和边框回归。 然后作者想的是不同尺度的ROI使用不同特征层作为ROI pooling层的输入大尺度ROI就用后面一些的金字塔层比如P5小尺度ROI就用前面一点的特征层比如P4。那怎么判断ROI改用那个层的输出呢这里作者定义了一个系数Pk其定义为
224是ImageNet的标准输入k0是基准值设置为5代表P5层的输出原图大小就用P5层w和h是ROI区域的长和宽假设ROI是112 * 112的大小那么k k0-1 5-1 4意味着该ROI应该使用P4的特征层。k值应该会做取整处理防止结果不是整数。 然后因为作者把conv5也作为了金字塔结构的一部分那么从前全连接层的那个作用怎么办呢这里采取的方法是增加两个1024维的轻量级全连接层然后再跟上分类器和边框回归认为这样还能使速度更快一些。
最后博主根据自己的理解画了一张草图猜想整个网络经FPN修改后的样子也就是Faster R-CNN with FPN。 总结
作者提出的FPNFeature Pyramid Network算法同时利用低层特征高分辨率和高层特征的高语义信息通过融合这些不同层的特征达到预测的效果。并且预测是在每个融合后的特征层上单独进行的这和常规的特征融合方式不同。
目前官方开源代码尚未公布网上有一部分开源代码如unsky/FPN-caffe:Feature Pyramid Network on caffe
参考文献
FPN-Feature Pyramid Networks for Object Detection [重点推荐]Feature Pyramid Networks for Object Detection论文笔记 [重点推荐]Feature Pyramid Networks for Object Detection 论文笔记特征金字塔特征用于目标检测Feature Pyramid Networks for Object Detection [重点推荐]FPNfeature pyramid networks算法讲解目标检测–Feature Pyramid Networks for Object Detectionunsky/FPN-caffe:Feature Pyramid Network on caffe FPN(Feature Pyramid Networks for Object Detection)安装与训练
