淺談深度學(xué)習(xí)在目標(biāo)檢測(cè)中的發(fā)展

摘要：隨著人工智能技術(shù)的飛速發(fā)展，汽車自動(dòng)駕駛、無(wú)人零售商店等應(yīng)用正在轉(zhuǎn)變?yōu)楝F(xiàn)實(shí)，視頻目標(biāo)檢測(cè)是人工智能領(lǐng)域中的一個(gè)研究熱點(diǎn)，當(dāng)前基于深度學(xué)習(xí)的目標(biāo)檢測(cè)技術(shù)已取得許多進(jìn)展，本文對(duì)當(dāng)前主流目標(biāo)檢測(cè)技術(shù)進(jìn)行總結(jié)，指出以區(qū)域提名為思想和以端到端學(xué)習(xí)為思想的兩大深度學(xué)習(xí)目標(biāo)檢測(cè)方法，同時(shí)，重點(diǎn)分析各自的優(yōu)勢(shì)和缺點(diǎn)。

關(guān)鍵詞：目標(biāo)檢測(cè)；區(qū)域提名；端到端；深度學(xué)習(xí)

目標(biāo)檢測(cè)是計(jì)算機(jī)視覺(jué)領(lǐng)域的重要應(yīng)用之一，深度學(xué)習(xí)算法在目標(biāo)檢測(cè)方面已經(jīng)取得了重大進(jìn)展[1]。目標(biāo)檢測(cè)可以概述為一個(gè)分類問(wèn)題，目的為識(shí)別圖像中存在的所有物體對(duì)象，并且能夠獲取對(duì)象的確切位置。

本文總結(jié)了當(dāng)前主流的目標(biāo)檢測(cè)算法，重點(diǎn)分析以區(qū)域提名為思想和以端到端學(xué)習(xí)為思想的兩大目標(biāo)檢測(cè)方法，指出各自的優(yōu)勢(shì)和缺點(diǎn)，最后分析當(dāng)下目標(biāo)檢測(cè)面臨的問(wèn)題和發(fā)展趨勢(shì)。

1 基于區(qū)域提名的目標(biāo)檢測(cè)

區(qū)域提名，即為確定圖像中物體對(duì)象所在位置而預(yù)先提出候選區(qū)域的方法。當(dāng)前主流的基于區(qū)域提名的目標(biāo)檢測(cè)算法有：RCNN、SPPNet、Fast RCNN、Faster RCNN等。

1.1 RCNN

Ross Girshick于2014年提出的RCNN算法為深度學(xué)習(xí)轉(zhuǎn)向目標(biāo)檢測(cè)領(lǐng)域的首次突破，并且獲得年度最優(yōu)目標(biāo)檢測(cè)算法[2]。RCNN改變了目標(biāo)檢測(cè)的傳統(tǒng)思想，后續(xù)許多文獻(xiàn)均以此作為改進(jìn)。以下為其主要算法步驟：

1）區(qū)域提名：從原始圖片中使用選擇性搜索算法提取大概2000個(gè)候選區(qū)域；

2）歸一化處理：所有候選框均被縮放成統(tǒng)一的尺度，原文為227×227；

3）特征提?。和ㄟ^(guò)預(yù)先訓(xùn)練好的CNN網(wǎng)絡(luò)提取候選框的特征表示；

4）分類及回歸：特征層之后銜接兩個(gè)全連接層，用SVM作分類，并使用線性回歸微調(diào)邊框的大小與位置。

RCNN雖然在目標(biāo)檢測(cè)mAP結(jié)果上有了新的提升，但存在候選框數(shù)量眾多且重復(fù)計(jì)算導(dǎo)致計(jì)算量大、SVM模型需進(jìn)一步優(yōu)化、算法各個(gè)步驟的中間數(shù)據(jù)需單獨(dú)保存致使硬盤占用大、檢測(cè)運(yùn)行速度極為緩慢等的缺點(diǎn)。

1.2 SPPNet

SPPNet為基于RCNN改進(jìn)的具有更快速度的目標(biāo)檢測(cè)算法[2]，其提出了一種空間金字塔池化層，主要是為了解決RCNN中候選框需被縮放成統(tǒng)一大小而導(dǎo)致物體拉伸變形嚴(yán)重的問(wèn)題。其對(duì)RCNN的改進(jìn)主要體現(xiàn)在步驟2）與步驟3），SPPNet將步驟2）中候選區(qū)域邊長(zhǎng)縮放至長(zhǎng)、寬的最短邊，即固定了長(zhǎng)、寬的最短邊長(zhǎng)度；對(duì)于步驟3）則在CNN的卷積層與全連接層中間添加了空間金字塔池化層。而其他方面仍與RCNN一致，故依然存在不少的缺點(diǎn)。

1.3 Fast RCNN

針對(duì)RCNN和SPPNet存在的缺點(diǎn)，Ross Girshick于2015年提出了Fast RCNN[2]，主要的改進(jìn)地方為：首先通過(guò)CNN得到整張圖片的特征層，之后把所有候選框投影至1）得到的特征層，這樣可以共享特征層，以達(dá)到節(jié)省計(jì)算的目的；此外，使用一種稱為RoIPooling的簡(jiǎn)化SPP層，用以提取特征層上各個(gè)候選框的固定維度的特征表示；在分類及回歸方法上，則不再使用SVM模型，而改為用SoftMax作分類，以多任務(wù)學(xué)習(xí)的方式同時(shí)進(jìn)行分類和回歸。

Fast RCNN不再需要額外硬盤存儲(chǔ)訓(xùn)練和測(cè)試各步驟的中間值，其測(cè)試速度相較于RCNN提高了213倍，相較于SPPNet提高了將近10倍。

1.4 Faster RCNN

雖然SPPNet和Fast RCNN的出現(xiàn)大大降低了目標(biāo)檢測(cè)的運(yùn)行時(shí)間，但所采取的區(qū)域提名方法仍然是速度提升的瓶頸。針對(duì)該問(wèn)題，F(xiàn)aster RCNN[2]直接利用RPN網(wǎng)絡(luò)提取候選框，區(qū)域提名、分類、回歸等操作一起共用卷積特征，進(jìn)一步提升了速度。

2 基于端到端學(xué)習(xí)的目標(biāo)檢測(cè)

端到端學(xué)習(xí)為無(wú)需預(yù)先提取區(qū)域候選框的一類目標(biāo)檢測(cè)方法。目前該方法的代表為YOLO[3]、SSD[3]。

2.1 YOLO

YOLO簡(jiǎn)化了目標(biāo)檢測(cè)的整個(gè)流程，視頻幀圖像被縮放至統(tǒng)一尺度大小的圖像，分為S×S個(gè)格子，每個(gè)格子需要預(yù)測(cè)B個(gè)包含物體的矩形框的信息和C個(gè)類別的歸屬概率值，每個(gè)矩形框包含4維坐標(biāo)信息和1維目標(biāo)置信度，則每個(gè)格子輸出5×B+C維向量。YOLO整合了目標(biāo)判定和識(shí)別，運(yùn)行速度有了極大的提高。

YOLO的優(yōu)勢(shì)在于檢測(cè)速度快、背景誤檢率比RCNN等要低、支持對(duì)非自然圖像的檢測(cè)；但是存在的缺點(diǎn)有：物體定位誤差大、落入同一格子的兩個(gè)物體只能檢測(cè)得其一。

2.2 SSD

由于YOLO網(wǎng)絡(luò)的S×S網(wǎng)格的粗糙劃分導(dǎo)致了回歸的目標(biāo)位置誤差較大，SSD借鑒了區(qū)域提名的思想作出改進(jìn)，使用與Faster RCNN類似的RPN網(wǎng)絡(luò)，不同的是SSD在CNN的多個(gè)特征層上使用RPN之后再作分類和邊框回歸，原圖上小物體的檢測(cè)也能有較準(zhǔn)確的檢測(cè)結(jié)果。

與YOLO相比，SSD仍能保持快速的檢測(cè)速度，并且改進(jìn)了小物體的定位精確度。

3 結(jié)語(yǔ)

隨著數(shù)據(jù)類別和容量的不斷增大，如何設(shè)計(jì)泛化能力更強(qiáng)的有效卷積神經(jīng)網(wǎng)絡(luò)將會(huì)是一個(gè)難點(diǎn)，此外，融合不同層之間的特征，形成更有效的特征表示也是亟待解決的。

本文重點(diǎn)分析以區(qū)域提名為思想和以端到端學(xué)習(xí)為思想的兩大目標(biāo)檢測(cè)方法，前者優(yōu)點(diǎn)在于檢測(cè)效果更佳，而后者的運(yùn)行速度更快。盡管目標(biāo)檢測(cè)仍有許多需要完善的地方和挑戰(zhàn)，但當(dāng)前深度學(xué)習(xí)技術(shù)已使目標(biāo)檢測(cè)邁入新的發(fā)展道路。

參考文獻(xiàn)：

[1]盧宏濤，張秦川.深度卷積神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)視覺(jué)中的應(yīng)用研究綜述[J].數(shù)據(jù)采集與處理，2016，31（1）：117.

[2]萬(wàn)維.基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法研究及應(yīng)用[D].電子科技大學(xué)，2015.

[3]張慧，王坤峰，王飛躍.深度學(xué)習(xí)在目標(biāo)視覺(jué)檢測(cè)中的應(yīng)用進(jìn)展與展望[J].自動(dòng)化學(xué)報(bào)，2017，8（43）：117.

作者簡(jiǎn)介：李美玲（1988），女，廣東廉江人，本科，主要從事通信工程和樓宇智能化工程技術(shù)的教學(xué)工作。