基于深度學(xué)習(xí)的兩階段目標(biāo)檢測算法綜述

葉嘉欣

摘要：目標(biāo)檢測是計(jì)算機(jī)視覺的重要研究方向之一，旨在準(zhǔn)確識別圖像中目標(biāo)的位置和類別，因其較高的準(zhǔn)確性，受到研究人員的廣泛關(guān)注。近年來，計(jì)算機(jī)技術(shù)快速發(fā)展，相對于傳統(tǒng)的目標(biāo)檢測算法，基于深度學(xué)習(xí)的目標(biāo)檢測算法的優(yōu)勢逐漸凸顯，該算法精度高、實(shí)時(shí)性好。本文介紹了幾種經(jīng)典的兩階段目標(biāo)檢測算法，對其優(yōu)缺點(diǎn)進(jìn)行了比較，并對未來兩階段目標(biāo)檢測算法的發(fā)展進(jìn)行了展望。

關(guān)鍵詞：深度學(xué)習(xí)；目標(biāo)檢測算法；技術(shù)演變 ；計(jì)算機(jī)視覺

引言

自計(jì)算機(jī)誕生之時(shí)，研究人員就在思考如何使計(jì)算機(jī)變得智能。如今，人工智能已經(jīng)成為一個(gè)熱點(diǎn)領(lǐng)域，而在人工智能領(lǐng)域中，目標(biāo)檢測[1]一直是計(jì)算機(jī)視覺領(lǐng)域經(jīng)久不衰的研究方向[2]。它主要通過綜合利用圖像處理、機(jī)器學(xué)習(xí)、人工智能等技術(shù)，從圖像中查找對象，然后指定其位置和類別。在計(jì)算機(jī)視覺領(lǐng)域，由于各種外部環(huán)境因素的干擾，目標(biāo)檢測一直是具挑戰(zhàn)性的問題之一。近年來，深度學(xué)習(xí)因?yàn)槠鋬?yōu)越性廣泛應(yīng)用于各種領(lǐng)域，基于深度學(xué)習(xí)的目標(biāo)檢測算法也逐漸被人們關(guān)注，如圖1所示。本文首先簡要說明傳統(tǒng)的目標(biāo)檢測算法，并說明它的缺陷，還對當(dāng)前經(jīng)典的兩階段目標(biāo)檢測算法進(jìn)行了詳細(xì)的介紹與比較，最后展望了兩階段目標(biāo)檢測算法未來的研究方向。

1. 傳統(tǒng)目標(biāo)檢測算法

傳統(tǒng)的目標(biāo)檢測算法可以分為兩個(gè)方向：根據(jù)特征進(jìn)行目標(biāo)識別、根據(jù)分割進(jìn)行目標(biāo)識別。在傳統(tǒng)的算法中，主要的特征有Harr特征[3]、HOG特征[4]、SIFT特征等。人為提取特征的效果難以保證是傳統(tǒng)目標(biāo)檢測算法的一大缺點(diǎn)，可移植性較差，時(shí)間復(fù)雜度高，存在大量的冗余計(jì)算，勢必會導(dǎo)致運(yùn)行速度難以提升，而且面對復(fù)雜多變的環(huán)境時(shí)，魯棒性差，只有在一些特定的環(huán)境下才會有較好的表現(xiàn)，因此在現(xiàn)實(shí)生活中也得不到大規(guī)模的使用。在計(jì)算機(jī)視覺技術(shù)迅猛發(fā)展的今天，基于深度學(xué)習(xí)的目標(biāo)檢測算法因?qū)崟r(shí)精度高，逐步替代了傳統(tǒng)目標(biāo)檢測方法。在復(fù)雜場景下，背景變化劇烈時(shí)，傳統(tǒng)的目標(biāo)檢測算法會出現(xiàn)誤檢或漏檢等現(xiàn)象。為克服傳統(tǒng)目標(biāo)檢測算法準(zhǔn)確性不高的不足，提出一種兩階段目標(biāo)檢測算法。

2. 基于深度學(xué)習(xí)的兩階段目標(biāo)檢測算法

2013年Sermanet等人[5]提出了著名的OverFeat算法。OverFeat可以說是單階段目標(biāo)檢測算法的經(jīng)典開山之作，基于AlexNet[6]實(shí)現(xiàn)了識別、定位、檢測共用同一個(gè)網(wǎng)絡(luò)框架。這也是首篇介紹使用一個(gè)網(wǎng)絡(luò)就能解決這一問題的方法。它利用了卷積神經(jīng)網(wǎng)絡(luò)的特征提取功能，把分類過程中提取到的特征又同時(shí)用于定位檢測任務(wù)。該論文通過一種應(yīng)用于回歸邊界框的貪婪合并策略，合并各個(gè)預(yù)測，是一種全新的定位與檢測方法。整體沒有全連接層，采用全卷積網(wǎng)絡(luò)，消除了傳統(tǒng)滑動(dòng)窗口方法的很多冗余計(jì)算，提高了算法的魯棒性又保證了效率。此算法對后續(xù)深度學(xué)習(xí)目標(biāo)檢測算法的發(fā)展有著重要意義。但是該算法對小目標(biāo)的檢測效果不理想，且存在較高錯(cuò)誤率。

2014年，R-CNN搭載著“Region Proposal（候選框）+CNN”提取的分類網(wǎng)絡(luò)的組合模式出現(xiàn)在大眾視野中，這種兩階段目標(biāo)檢測算法以其優(yōu)秀的準(zhǔn)確度給目標(biāo)檢測算法提供了新思路。Two-stage（兩階段）目標(biāo)檢測算法將目標(biāo)檢測分為兩大部分：候選區(qū)域的選取、目標(biāo)的分類識別。兩階段目標(biāo)檢測算法的優(yōu)勢在于選取多個(gè)候選框可以充分提取目標(biāo)的特征信息，檢測的準(zhǔn)確度高，同時(shí)可以實(shí)現(xiàn)精準(zhǔn)定位，但是因?yàn)樗惴Ｐ蛷?fù)雜且分兩個(gè)步驟進(jìn)行，所以檢測速度較慢。下面簡要介紹一些經(jīng)典的兩階段檢測算法以及它們的優(yōu)缺點(diǎn)。

2.1 R-CNN

R-CNN[7]算法由Girshick等人在2014年提出，它開啟了將深度學(xué)習(xí)運(yùn)用在目標(biāo)檢測的大門，并為后續(xù)該系列檢測算法奠定了基礎(chǔ)。此后，目標(biāo)檢測算法的實(shí)時(shí)性與精確度不斷提高。

R-CNN目標(biāo)檢測算法可分為四個(gè)步驟：第一步，利用選擇性搜索算法SS（Selective Search）[8]從圖像中提取約2000個(gè)候選框。第二步，利用深度卷積神經(jīng)網(wǎng)絡(luò)提取各候選框的函數(shù)向量。第三步，用AlexNet將各個(gè)函數(shù)向量發(fā)送給各個(gè)向量機(jī)（SVM），判斷是否屬于此類。第四步，使用邊界框的回歸和非極大值抑制算法來獲得候選的最佳框。雖然該算法大幅提高了平均精確度，但是因?yàn)樾枰獙?000個(gè)候選框進(jìn)行特征提取，所以檢測速度較慢。針對此問題，He等人在2015年提出了SPP-Net[9]算法。

2.2 SPP-Net

因?yàn)镽-CNN算法只能對固定大小的圖像進(jìn)行卷積運(yùn)算，這就會導(dǎo)致特征信息損失和運(yùn)算速度慢的問題出現(xiàn)。為了解決R-CNN算法提取特征操作冗長的問題，He等人在2015年提出了SPP-Net算法。SPP-Net算法同樣大致分為四個(gè)步驟：第一步，采用SS（Selective Search）方法讓一張圖片生成2000個(gè)候選區(qū)域；第二步，利用空間金字塔池化[10]（Spatial Pyramid Pooling，SPP）操作，把每個(gè)候選區(qū)域?qū)?yīng)的特征轉(zhuǎn)換成固定長度的特征；第三步，輸入全連接層；第四步，進(jìn)行后續(xù)SVM的分類和回歸。SPP-Net算法通過引入SPP來避免重復(fù)進(jìn)行卷積運(yùn)算，在保證同樣或者更好的檢測精度的同時(shí)，極大地提升了檢測速度，相比R-CNN 算法快24～102倍[11]。首先，訓(xùn)練還處于多個(gè)階段，接下來，SPP-Net只對完全連接的層進(jìn)行了微調(diào)，忽略了之前的所有層，添加池化層后，網(wǎng)絡(luò)只更新下面的完整連接層，忽略了以前層數(shù)對模型的影響，從而降低了檢測精度。為了解決R-CNN和SPP網(wǎng)絡(luò)的缺點(diǎn)，Girshick等人在2015年提出了Fast R-CNN算法。

2.3 Fast R-CNN

Fast R-CNN[12]是對R-CNN算法的改進(jìn)，在卷積計(jì)算部分使用VGG16網(wǎng)絡(luò)代替AlexNet網(wǎng)絡(luò)，并且融合了SPP-net的思想，將網(wǎng)絡(luò)的SPP層設(shè)計(jì)成為單獨(dú)的一層，即ROI（Region of Interesting） Pooling層，進(jìn)一步解決了權(quán)值更新的問題。該算法引入SVD（Singular Value Decomposition）對全連接層進(jìn)行分解，使得處理一張圖片的速度明顯提升。Fast R-CNN將卷積神經(jīng)網(wǎng)絡(luò)提取的特征存儲在顯存中，減少了對磁盤空間的占用，提高了訓(xùn)練性能，加快了訓(xùn)練速度。同時(shí)在網(wǎng)絡(luò)中加入多任務(wù)損失函數(shù)邊框回歸，整個(gè)訓(xùn)練過程僅包括候選區(qū)域提取和CNN訓(xùn)練兩個(gè)階段。但是，該算法存在一些缺陷。它仍然使用SS （Selective Search）方法來選擇候選區(qū)域，這一步仍然會有大量的計(jì)算。Fast R-CNN雖然成功地融合了R-CNN和SPP-Net的優(yōu)點(diǎn)，但仍然無法實(shí)現(xiàn)端到端的目標(biāo)檢測。例如，不能同時(shí)獲得候選區(qū)域，速度仍有提高的空間。

2.4 Faster R-CNN

針對以上網(wǎng)絡(luò)存在的不足，在 Fast R-CNN 之后不久，Ren等人在2015年提出了Faster R-CNN[13]算法。Faster R-CNN是第一個(gè)接近實(shí)時(shí)的深度學(xué)習(xí)檢測算法。Faster R-CNN的主要貢獻(xiàn)是引入了區(qū)域生成網(wǎng)絡(luò)（Region Proposal Networks，RPN），代替Selective Search算法。盡管Faster R-CNN已經(jīng)突破了Fast R-CNN的速度瓶頸，但是后續(xù)檢測階段仍存在計(jì)算冗余問題。它繼續(xù)沿用ROI Pooling層，這就會導(dǎo)致降低目標(biāo)檢測中定位的準(zhǔn)確性，而且Faster R-CNN對小目標(biāo)的檢測效果不佳，后來提出了各種改進(jìn)方案，包括R-FCN[14]和Light head R-CNN[15]都對Faster R-CNN做了進(jìn)一步的改進(jìn)。

2.5 FPN

為了解決Faster R-CNN目標(biāo)檢測算法在應(yīng)對多尺度變化問題時(shí)的不足，以及對小目標(biāo)檢測效果不佳等問題，Lin等人在Faster R-CNN的基礎(chǔ)上提出了FPN[16]算法。文章將一種自頂向下、帶有側(cè)向連接的層次結(jié)構(gòu)應(yīng)用在Faster R-CNN算法中，使得算法在不增加計(jì)算量的同時(shí)，對小目標(biāo)的檢測能力大幅提升。在FPN出現(xiàn)之前，大多數(shù)基于深度學(xué)習(xí)的目標(biāo)檢測算法都只用頂層特征做預(yù)測，雖然深層的特征語義信息豐富，但是目標(biāo)位置卻很模糊。FPN通過連續(xù)上采樣和跨層融合，使得輸出特征既具有底層視覺信息，又具有深層語義信息。嚴(yán)格來說，F(xiàn)PN本身并不屬于一種目標(biāo)檢測算法，它是一個(gè)骨干網(wǎng)絡(luò)。同時(shí)它也具有一定的缺陷，因?yàn)椴煌瑢又g存在語義鴻溝，直接融合會降低多尺度表示能力，而且下采樣過程會損失最高層金字塔特征信息。

結(jié)語

文中總結(jié)了當(dāng)前階段比較經(jīng)典的兩階段目標(biāo)檢測算法，并分析和總結(jié)其優(yōu)勢和局限?？傮w來看，兩階段目標(biāo)檢測算法無論是檢測精度還是檢測速度都得到了提升與優(yōu)化。相對于單階段目標(biāo)檢測算法，兩階段目標(biāo)檢測算法雖然沒有單階段目標(biāo)檢測算法那么快，但其檢測精度方面更具有優(yōu)勢。隨著計(jì)算機(jī)視覺與深度學(xué)習(xí)的快速發(fā)展和其硬件性能的不斷提高，給目標(biāo)檢測技術(shù)的發(fā)展提供了有利的環(huán)境與條件。與傳統(tǒng)的目標(biāo)檢測算法相比，基于深度學(xué)習(xí)的目標(biāo)檢測算法不論是在速度還是精度方面都有了很大的提高，但仍有很大的發(fā)展空間。如何提升小目標(biāo)的檢測精度，使其更好地運(yùn)用到遙感監(jiān)測與軍事領(lǐng)域中，如何使算法更加輕量化，使其能夠在移動(dòng)設(shè)備上平穩(wěn)運(yùn)行，如何運(yùn)用到視頻監(jiān)控檢測，這對自動(dòng)駕駛有著重要意義，這些都將會是兩階段目標(biāo)檢測算法的重要研究方向。希望基于深度學(xué)習(xí)的兩階段目標(biāo)檢測算法在未來能夠?yàn)槿祟悗砀蟮呢暙I(xiàn)。

參考文獻(xiàn)：

[1]趙永強(qiáng)，饒?jiān)砾i.深度學(xué)習(xí)目標(biāo)檢測方法綜述[J].中國圖象圖形學(xué)報(bào)， 2020，25（4）：629-654.

[2]張順，龔怡宏，王進(jìn)軍.深度卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展及其在計(jì)算機(jī)視覺領(lǐng)域的應(yīng)用[J].計(jì)算機(jī)學(xué)報(bào)，2019，42（3）：453-482.

[3]宋曉琳，鄔紫陽，張偉偉.基于陰影和類Haar特征的動(dòng)態(tài)車輛檢測[J].電子測量與儀器學(xué)報(bào)2015，（9）：1340-1347.

[4]徐淵，許曉亮，李才年.結(jié)合SVM分類器與HOG特征提取的行人檢測[J].計(jì)算機(jī)工程2016，（1）：56-60，65.

[5]Sermanet P，Eigen D，Zhang X，et al.Overfeat：Integrated recognition， localization and detection using convolutional networks[J].arXiv preprint arXiv：1312.6229，2013.

[6]Krizhevsky A，Sutskever I，Hinton GE.Imagenet classification with deep convolutional neural networks[J].Communications of the ACM，2017.60（6）：84-90.

[7]Girshick R， Donahue J， Darrell T，et al.Rich feature hierarchies for accurate object detection and semantic segmentation[C]//Proceedings of the IEEE conference on computer vision and pattern recognition.2014：580-587.

[8]吳素雯，戰(zhàn)蔭偉.基于選擇性搜索和卷積神經(jīng)網(wǎng)絡(luò)的人臉檢測[J].計(jì)算機(jī)應(yīng)用研究2017，（9），2854-2857，2876.

[9]He K，Zhang X，Ren S，et al.Spatial pyramid pooling in deep convolutional networks for visual recognition[J].IEEE transactions on pattern analysis and machine intelligence，2015，37（9）：1904-1916.

[10]侯明偉.基于空間金字塔池化的卷積神經(jīng)網(wǎng)絡(luò)圖像分類算法[D].武漢：武漢大學(xué)，2018.

[11]楊偉，杜學(xué)峰，張勇.基于深度學(xué)習(xí)的車輛目標(biāo)檢測算法綜述[J].汽車實(shí)用技術(shù)2022，（2）：24-26.

[12]Girshick R. Fast r-cnn[C]//Proceedings of the IEEE international conference on computer vision.2015：1440-1448.

[13]Ren S，He K，Girshick R，et al.Faster r-cnn：Towards real-time object detection with region proposal networks[C]//Advances in neural information processing systems. 2015，（1）：91-99.

[14]Dai J，Li Y，He K，et al.R-fcn：Object detection via region-based fully convolutional networks[C]//Advances in neural information processing systems. 2016： 379-387.

[15]Li Z，Peng C，Yu G，et al.Light-head r-cnn：In defense of two-stage object detector[C]//arXiv preprint arXiv.2017：1711-7264.

[16]Lin TY，Dollár P，Girshick R，et al.Feature pyramid networks for object detection[C]//Proceedings of the IEEE conference on computer vision and pattern recognition.2017：2117-2125.

作者簡介：葉嘉欣，本科在讀，研究方向：日語、軟件工程。