SSD检测几个小细节
之前感觉SSD很简单,这两天从头到尾把论文和源码都看了一下,发现之前很多细节都没掌握。
这篇文章只说一些之前遗漏的点,读者阅读有一定基础
@
一. 抛砖引玉的Faster-RCNN
1.1 候选框的作用
之前看Fast-RCNN
代码对Selective Search
的操作一直有很大的疑惑?
为什么一张图会分割成这样大大小小的区域?分割后有啥意义呢?
- 第一个问题很简单,使用了
贪心算法
和图论
方面的知识,区域合并等算法。 - 第二个问题到后来才明白,是深度学习的
学习成本
的问题。。。
看上图的resnet
核心模块,就是降低了学习成本
,使得网络更容易学习
下面这张图预测区域通过两次平移到达目标区域
下面这张图预测区域先通过放大再做两次平移到达目标区域
下面这张图通过多个预测区域对不同的目标进行预测
通过上面的三幅图可以发现,回归的方式需要付出不同的代价
当然代价越低越容易回归,可以看我之前的文章EAST和改进的EAST,就是通过回归的代价不同,最后效果提升挺大的。
最后一幅图,通过打不同的回归点(Anchor),比盲目的回归效果好很多
那么我们怎么知道目标在哪?怎么打候选框(Anchor)呢?
假设上图是一个4 * 4
的feature map
,我们既然不知道实际目标在哪,那就以每个像素为中心生成很多个候选框
上面生成的候选框数量也就是4 * 4 * 2=32个
会不会觉得那么多框进行回归效率很低?
首先那么多框都是固定的,比如上图的32个,回归的时候SSD也考虑到了这些,hard sample才需要回归,easy sample是不需要回归的
1.2 下采样问题
- RoIPooling
这个比较简单了,就是一个让输出对称的pooling操作。
- ROIAlign
这个也比较简单,就是利用双线性差值对中心的坐标进行计算出来
二. SSD细节理解
2.1 六个LOSS
这是笔者没看源代码,比较糊涂的想法,问了其他在跑ssd的人也没回答出来。。。
笔者大概画了一个上图,这个问题很简单,想不通就很麻烦。。。
- 在六个feature回归六个图信息
- 六个信息映射到原图大小
- 六个原图大小的信息合并成一个图(一个图6个通道,和一个图RGB通道一样)
2.2 Anchor生成细节
Anchor的特征主要包括几个方面:ratio(长宽比例)、scale(面积开根号,也就是正方形边长)、step/stride(步长,也就是原图和feature的比例)
- ratio:固定的包括几个{1,2,3,1/2,1/3},还有一个1是不同的面积scale
- scale:通过不同的
feature map
计算出来的(因为不同的特征图肯定得设置不同大小的scale) - step/stride:两个表示都是一个含义,不同的卷积核(步长、padding)生成的步长不同
一定要理解上面几个参数的含义,具体公式的计算就很简单了,读者可以自己跑一下源代码
def default_prior_box():
mean_layer = []
for k,f in enumerate(Config.feature_map):
mean = []
for i,j in product(range(f),repeat=2):
f_k = Config.image_size/Config.steps[k]#当前feature map 的大小(通过步数重新计算)
#anchor中心点坐标(cx / cy已经归一化操作)
cx = (j+0.5)/f_k
cy = (i+0.5)/f_k
s_k = Config.sk[k]/Config.image_size
mean += [cx,cy,s_k,s_k]
s_k_prime = sqrt(s_k * Config.sk[k+1]/Config.image_size)
mean += [cx,cy,s_k_prime,s_k_prime]
for ar in Config.aspect_ratios[k]:
mean += [cx, cy, s_k * sqrt(ar), s_k/sqrt(ar)]
mean += [cx, cy, s_k / sqrt(ar), s_k * sqrt(ar)]
if Config.use_cuda:
mean = torch.Tensor(mean).cuda().view(Config.feature_map[k], Config.feature_map[k], -1).contiguous()
else:
mean = torch.Tensor(mean).view( Config.feature_map[k],Config.feature_map[k],-1).contiguous()
mean.clamp_(max=1, min=0)
mean_layer.append(mean)
2.3 Encode&&Decode
疑点:刚开始看网上说的:
prior box
是:(中心X,中心Y,宽,高)- 实际边界是(中心X,中心Y,宽,高)
- 学习的参数是(中心X偏移,中心Y偏移,宽比例,高比例)
按照这个推理:
其中\(b\)代表实际框,\(d\)代表default box
,\(l\)代表回归参数
而实际的表达式如下所示:
笔者认为不管回归什么东西,只要是一种映射关系即可
定义完LOSS,神经网络会帮我们完成这种表达式的关系
所以这里作者也是为了方便,所以使用了除以d
,又使用log
函数
2.4 负样本挖掘
有专门的论文会解释这类事件,笔者这里只关注SSD的做法
SSD生成8732
个prior box
框,而实际的一张图中目标只有几个
有无数个预先设定的框,而实际和目标相交大于阈值的框很少
假设直接进行回归操作?
所有的框都进行回归=正样本的框+负样本的框
因为后者占比非常大,LOSS基本由负样本控制,最后的训练的结果如下:
目标能检测到,但是对于边界的处理非常不好,因为细节基本由负样本控制
SSD如何进行操作?
回归分为两个部分=位置回归+类别回归
-
位置回归按照上述方式进行
-
种类按照
1 :3
的方式进行
首先计算出种类的loss
把正样本的loss置0(正样本全部保留)
负样本进行排序,按照3倍的正样本保留(保留大的loss属于hard sample)
最后正负样本叠加
loss_c = utils.log_sum_exp(batch_conf) - batch_conf.gather(1, target_conf.view(-1, 1))
loss_c = loss_c.view(batch_num, -1)
# 将正样本设定为0
loss_c[pos] = 0
# 将剩下的负样本排序,选出目标数量的负样本
_, loss_idx = loss_c.sort(1, descending=True)
_, idx_rank = loss_idx.sort(1)
num_pos = pos.long().sum(1, keepdim=True)
num_neg = torch.clamp(3*num_pos, max=pos.size(1)-1)
# 提取出正负样本
neg = idx_rank < num_neg.expand_as(idx_rank)
pos_idx = pos.unsqueeze(2).expand_as(conf_data)
neg_idx = neg.unsqueeze(2).expand_as(conf_data)
conf_p = conf_data[(pos_idx+neg_idx).gt(0)].view(-1, Config.class_num)
targets_weighted = target_conf[(pos+neg).gt(0)]
loss_c = F.cross_entropy(conf_p, targets_weighted, size_average=False)
图画的不好,因为正好叠合就看不到效果了
参考文献
https://arxiv.org/pdf/1512.02325.pdf
https://www.cnblogs.com/cmai/p/10080005.html
https://blog.csdn.net/u010167269/article/details/52563573
https://www.cnblogs.com/xuanyuyt/p/7222867.html#_label2
https://www.cnblogs.com/pacino12134/p/10353959.html
https://blog.csdn.net/u010712012/article/details/86555814
https://deepsense.ai/satellite-images-semantic-segmentation-with-deep-learning/
-------------------------------------------
个性签名:衣带渐宽终不悔,为伊消得人憔悴!
如果觉得这篇文章对你有小小的帮助的话,记得关注再下的公众号,同时在右下角点个“推荐”哦,博主在此感谢!
![](https://images2018.cnblogs.com/blog/1033571/201807/1033571-20180705122122491-1885279937.jpg)