深度学习论文笔记

论文笔记

 

R-CNN

选区域，拉伸，计算特征，用特征训练svm分类器，分类结果计算重复度去重（nms），回归框的位置

相对以前的不同：

暴力搜索所有框变为预选框计算特征

经典方法提取的是人工设定的特征，RCNN用大的识别库训练深度网络提取特征，然后用小的检测库调优参数

缺点：

多个选取框之间很多重叠，单独计算特征会有很多重复计算，浪费时间

训练过程是多级流水线，卷积神经网络特征训练，SVM分类器训练，检测框回归训练

 

SPPNET

R-CNN中，多个选区框的尺寸不同，resize再提取特征既费时，效果也没有那么好

提出金字塔pooling针对不同尺寸的图，在CNN后面加上一个特殊池化层，池化为4x4，2x2，1x1的几个特征，然后拼接起来，变成21*深度的固定尺寸的特征，并且包含有空间位置信息（与图片缩放的区别是什么？图片缩放会产生图像的畸变，但是feature map的pooling只是整合了空间信息）

能反向传播？（pooling的时候记录max的location，这个location的导数为1）

多尺寸训练？

 

Fast R-CNN

分类和框回归化为同级，一起训练，而之前是先训练分类器，再训练框回归

全联接层，用截断SVD近似全联接层的矩阵，速度加快

 

Faster R-CNN

区域推荐同样用神经网络实现（原来的选择推荐算法在CPU实现，而用神经网络可以用GPU实现

参考边界框金字塔，多尺度锚点

用一个固定大小的滑动窗口，每次计算可以计算k个推荐区域，分别输出k个区域的物体概率和不是物体的概率，和k个预测区域的4个坐标

 

 

 

利用feature map上一个格子的信息去推断这k个anchor的前景背景的confidence和回归偏移量

平移不变特性，因为计算方式固定，不受位置影响，图像平移，相应的proposal也会平移

RPN与fast RCNN共享特征，好处是节省时间而且分类器学习到的feature会帮助proposal选择

交替训练，联合训练

 

FPN

对小物体检测有明显的提升

解决问题，高层特征信息丰富，但是位置模糊，底层特征信息少，但是位置准确

之前也有用高底层融合之后对特征进行预测，但是FPN每一层分别预测，并且高层会影响低层特征

改进CNN特征提取方式，高层特征反过来对底层特征进行影响

 

 

 

 

FCN

反卷积层（调整卷积参数，使得卷积之后图像变大，添加padding减小stride

转置矩阵，卷积操作可以转化为矩阵乘法，那么，如果这个矩阵进行转置，就可以把输出的大小变为输入的大小，可以完成“反”卷积的操作，通常初始化为双线性插值

跳级结构，为了预测每个像素的分类，将前面层次（位置更精确）的信息用来辅助，融合，边长为1/8放大到原图大小预测每个像素的类别

 

 

 

 

Mask R-CNN

 

 

 

ROI pooling会有像素级别的偏移，会对分割造成影响，而差值算法ROI Align用插值算法回避了这个问题

为什么可以分出相同分类的不同个体，因为gt里面的mask只有框内主体的，网络会学习怎么只标记主体的mask

 

Batch Normalization

Internal Covariate Shift

学习过程中，每一层的权重都在更新，而上层更新权重之后，数据经过这一层之后的数据分布就会改变（方差，均值等），那么下一层就要适应这样的改变，导致学习速度的下降

那么就有了白化操作，每一层进行均值和方差的规范化，但是计算成本高，而且改变了网络每一层的分布

BN是对每一个特征进行规范化，而不是全层一起规范化，减小计算量，并且在规范化之后再加一个可学习的线形变换，一定程度上恢复原有数据的分布

BN的好处是不依赖输入的分布，做完规范化之后分布都是均值为0方差为1的特征，然后通过线性变换改变均值和方差

 

Deep Mask

目的是识别出目标单一个体的mask，用来做region proposal的

 

 

 

一个mask分支一个scroe分支，为了减少计算量，mask分支会计算出一个小的w0*h0的mask然后upsample成原图大小，scroe分支输出表示中心位置是否有物体

对于全图识别，用滑动窗口多次运用这个网络，给出mask和scroe，判断中心是否有物体和哪些像素属于这个物体

缺点，计算量大，不能共享特征，每个窗口都要重新计算全联接

 

InstanceFCN

 

 

 

平移不变特性对于实例分割是个不好的特性，所以引入相对位置作为变量，训练多个分类器，然后对于每个分类器只取对应分区的分数拼接起来，相当于训练多个分类器来识别一个物体的不同相对位置

局部一致性，对于一个像素而言，窗口滑动几个像素，预测结果应该相当接近，对于Deep Mask每次移动一个像素，计算的结果都不一样

IFCN相当于取了折中，一个块大小以内预测值不会变化

 

FCIS

 

 

 

对于RPN计算出来的所有anchor计算inside/outside score，用两个scroe加起来拼成整张图片，根据图片是否接近全1来判断框是否正确

 

 

 

Focal Loss

在交叉殇里，gt中比重大（易区分）的种类的loss可能会冲散比重小（难区分）的种类，于是在loss中对于样本比例进行加权

具体情况是因为one-stage的方法里选取很多框去算分，而two-stage里先过一个RPN，使得背景框没有那么多所以背景框比重少

 

 

 

FCOS 

以前基于anchor的detector，受anchor的限制太大，泛化性差，对于不同的物体不同的场景，可能要不同的anchor的ratio和scale来学习

用anchor-free的方法来预测，预测上下左右边框的位置，但是这样有一点问题，对于物体重叠的情况，不确定要回归哪一个框，而且在gt框学习回归的框会降低性能，于是引入了一个center-ness，score计算时乘上center-ness，降低偏离物体中心的预测框的分值

 

 

 

Anchor-base的方法没有这个问题大概是因为anchor就是以这个点为中心取不同大小长宽比例的anchor

 

 

 

FCOS可以用作one-stage的detector也可以作为two-stage的RPN来使用

 

Dense Box

 

 

 

主要用于人脸检测

conv3_4和conv4_4有一次特征融合

在正样本与负样本之间有ignore，负样本点距离2以内有正样本那么这个负样本会被ignore

60x60点featuremap中取36个loss最高的负样本，36个随机负样本，72个随机正样本训练

 

Deformable Convolutional Networks 

可变形的感受野，卷积的位置加上偏移（可学习），用双线性插值算卷积

 

 

 

 

 

 

 

 

 

P为偏移的位置，q为所有整数坐标，因为插值的4个坐标是相邻的4个整数点，所以双线性插值的分母被约去

具体计算为先过一个卷积计算偏移量，然后再计算带偏移的卷积

 

 

 

传统ROI Pooling计算每个区域的平均值

 

 

 

可变形的则加上偏移量再计算平均值

具体计算过程是先计算没有偏移的k*k的pooling值，然后过一个fc层计算出k*k*2的每一层的偏移，然后再计算一次偏移的pooling值

听上去很合理，根据特征来决定去下一步取什么位置的特征，可以比较好的适应物体大小的不同带来的问题，但其实还有问题，感受野的实际计算量并没有变，只是位置变了，大小物体本质差距还是存在，对物体大小的效果相当于一个有形变的resize

 

 

 

论文中提到的采样点变多了，但是实际上那些采样点是整数点的加权和，而且每一次卷积之后会有激活函数，不能简单的说采样点变多了

效果不错，涨点明显

 

 

 

 

Training Region-based Object Detectors with Online Hard Example Mining 

 

 

 

样本不均衡带来训练的困难，由于ROI过多，实际正样本较少，导致正样本和负样本比例失衡，所以先计算一遍loss，然后按照loss排序选择进行BP的样本，保证正样本与负样本比例为1:3

虽然这样训练能解决正负样本比例失衡的问题，但是忽略了小loss的贡献，易分类的虽然loss小，但是数量多，累加起来比大loss大影响大，直接舍去不太合理，focal loss降低易分类样本的loss更为合理

 

Beyond Skip Connections: Top-Down Modulation for Object Detection 

 

 

 

FPN同时期的工作，FPN只是简单的将通道数对齐然后大小对齐然后直接相加，但是FPN多层同时预测

而top-down中间的网络可以是复杂的网络，可以用resnet，googlenet等复杂卷积，而融合方法并不是直接相加，而是concat然后通过conv来结合，网络自己学习该怎么融合

FPN是多层一起出ROI，而top-down只用了最后一层出ROI

逐步训练

新加一个TDM训练一次，再加一个TDM再训练一次

 

Relation Networks for Object Detection

计算各个roi之间的relation进行加权，relation计算用了feature map和位置信息

learn to nms，计算relation代替原有的nms操作

 

ScratchDet: Training Single-Shot Object Detectors from Scratch 

现在很多网络的训练都是基于pretrain的backbone然后再上面fine-tuned

这样存在一些问题，提取的效果虽然很好，但是并不一定适应你实际应用的场景

再者，提取特征的方式固定之后，对后面的网络是一种限制，要适应特征提取的方式

但是从头开始训练的问题是，需要的时间太长了，所以用BN来加快收敛

 

 

Soft Sampling for Robust Object Detection 

标注的质量影响网络学习的表现，对于漏标注而言，可以降低离gt太远的背景的权重

 

 

 

 

 

 

作用就是专注于gt周围的信息来训练，以改善漏标注情况的训练

个人觉得实际意义不大，通常训练的数据标注都比较完善

 

An Analysis of Scale Invariance in Object Detection – SNIP

介绍了一种多尺度训练的方法，将ROI都resize成一个合适的大小然后对网络进行训练，网络结构也改变，根据ROI的大小选择从不同分辨率的图片提取特征

与以前不同的是，以前的特征提取方法是一样的，最后通过ROIpooling来将统一特征大小，这样会让网络强行学习不同尺度的物体的特征提取，一定程度上降低了网络的表现

 

 

 

 

SNIPER: Efficient Multi-Scale Training 

针对SNIP的改进，SNIP用多个尺度的图片来训练神经网络比较慢，而且很多大小不合理的ROI在训练中被ignore有效训练数据占比小

 

 

 

于是采用新的方法来选取训练数据，选一个固定大小的框（论文里是512x512），然后图片会进行放缩，用滑动窗口的方式选取chips，使得所有gt都被框入且chip较少

这样进入训练的图片数据相比之前的多个尺度来说要小很多

选取完之后直接训练的话会导致正样本太多，fp增多，所以训练了一个比较简陋的RPN网络来出框（包含fp的概率较大），然后在上面选取nagetive chips（过滤掉gt）

 

个人认为是利用了数据集平均框数比较少的特性，然后比较好奇评测的时候的策略

 

 

 

 

Cascade R-CNN: Delving into High Quality Object Detection 

在RPN网络后面连着接好几个box regression和classifier，每一层都计算loss，每一层的iou threshold逐层增加

 

 

 

在更好的回归框的基础上再继续训练，以得到更好的效果

 

Soft-NMS – Improving Object Detection With One Line of Code

将原来的NMS操作修改一下，不是直接删除框，而是将分数缩减，一定程度上对corwd的检测有帮助，但是并不本质，有些情况涨点，有些情况掉点，因为iou并不能完全反映两个框框中的物体是否是同一个

 

 

 

 

CornerNet: Detecting Objects as Paired Keypoints