面向?qū)崟r(shí)目標(biāo)檢測(cè)的Ｆａｓｔｅｒ Ｒ?ＣＮＮ 算法

摘 要：文章討論了目標(biāo)檢測(cè)在計(jì)算機(jī)視覺領(lǐng)域中的重要性，并介紹了目標(biāo)檢測(cè)算法的 2 種主要類型：傳統(tǒng)計(jì)算機(jī)視覺方法和基于深度學(xué)習(xí)的方法。隨著深度學(xué)習(xí)技術(shù)的發(fā)展，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法逐漸成為主流，并取得了較好的效果。然而，為進(jìn)一步提高 Faster R-CNN 在目標(biāo)檢測(cè)方面的性能，文章結(jié)合鯨魚優(yōu)化算法對(duì)Faster R-CNN 網(wǎng)絡(luò)進(jìn)行優(yōu)化，并使用 PASCAL VOC 2012數(shù)據(jù)集對(duì)網(wǎng)絡(luò)性能進(jìn)行測(cè)試。實(shí)驗(yàn)結(jié)果表明，基于鯨魚優(yōu)化算法的 Faster R-CNN 網(wǎng)絡(luò)性能明顯優(yōu)于標(biāo)準(zhǔn) Faster RCNN 網(wǎng)絡(luò)?；诖?，深度學(xué)習(xí)的目標(biāo)檢測(cè)算法將在未來(lái)有更廣泛的應(yīng)用和更好的效果。

關(guān)鍵詞：Faster R-CNN;目標(biāo)檢測(cè)：實(shí)時(shí)性

中圖法分類號(hào)：TP391文獻(xiàn)標(biāo)識(shí)碼：A

１ 引言

目標(biāo)檢測(cè)是計(jì)算機(jī)視覺領(lǐng)域的一項(xiàng)重要任務(wù)，其主要作用是在圖像或視頻中自動(dòng)識(shí)別并定位感興趣的目標(biāo)物體。目標(biāo)檢測(cè)在許多應(yīng)用中都具有重要作用，如自動(dòng)駕駛、醫(yī)學(xué)影像分析領(lǐng)域等。

現(xiàn)有的目標(biāo)檢測(cè)算法主要分為２ 類：傳統(tǒng)計(jì)算機(jī)視覺方法的算法和基于深度學(xué)習(xí)的算法。傳統(tǒng)計(jì)算機(jī)視覺方法主要基于圖像特征提取和分類器構(gòu)建，如Ｈａａｒ 特征［１］ 、ＨＯＧ 特征［２］ 、ＳＩＦＴ 特征［３］ 等。而基于深度學(xué)習(xí)的算法主要基于卷積神經(jīng)網(wǎng)絡(luò)和其變種，如Ｆａｓｔｅｒ Ｒ?ＣＮＮ［４］ 、ＹＯＬＯ［５］ 等。隨著深度學(xué)習(xí)技術(shù)的不斷發(fā)展，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法逐漸成為主流，并取得了較好的效果。這些算法不僅具有較高的檢測(cè)準(zhǔn)確率，還具有較快的檢測(cè)速度，能夠滿足實(shí)時(shí)應(yīng)用的需求。

隨著技術(shù)的不斷發(fā)展，其應(yīng)用范圍將會(huì)越來(lái)越廣泛。為了進(jìn)一步提高Ｆａｓｔｅｒ Ｒ?ＣＮＮ 在目標(biāo)檢測(cè)方面的性能，本文結(jié)合鯨魚優(yōu)化算法對(duì)Ｆａｓｔｅｒ Ｒ?ＣＮＮ 網(wǎng)絡(luò)進(jìn)行優(yōu)化，并采用數(shù)據(jù)集ＰＡＳＣＡＬ ＶＯＣ ２０１２ 對(duì)網(wǎng)絡(luò)性能做了測(cè)試，實(shí)驗(yàn)結(jié)果表明，基于鯨魚優(yōu)化算法的Ｆａｓｔｅｒ Ｒ?ＣＮＮ 網(wǎng)絡(luò)性能明顯優(yōu)于標(biāo)準(zhǔn)Ｆａｓｔｅｒ Ｒ?ＣＮＮ網(wǎng)絡(luò)。

２ Ｆａｓｔｅｒ Ｒ?ＣＮＮ 網(wǎng)絡(luò)與鯨魚優(yōu)化算法

２．１ Ｆａｓｔｅｒ Ｒ?ＣＮＮ 網(wǎng)絡(luò)架構(gòu)

Ｆａｓｔｅｒ Ｒ?ＣＮＮ 是目標(biāo)檢測(cè)領(lǐng)域中比較先進(jìn)的一種網(wǎng)絡(luò)結(jié)構(gòu)，其架構(gòu)主要包括卷積層、ＲＰＮ 網(wǎng)絡(luò)、ＲＯＩ池化和全連接層。其中，卷積層用于提取圖像的特征，ＲＰＮ 網(wǎng)絡(luò)用于生成候選區(qū)域，ＲＯＩ 池化用于對(duì)候選區(qū)域進(jìn)行特征提取，全連接層用于對(duì)候選區(qū)域進(jìn)行分類和回歸。Ｆａｓｔｅｒ Ｒ?ＣＮＮ 的基本架構(gòu)如圖１ 所示。

（１）卷積層。

本文的Ｆａｓｔｅｒ Ｒ?ＣＮＮ 使用了深度卷積神經(jīng)網(wǎng)絡(luò)來(lái)提取圖像的特征。常用的卷積神經(jīng)網(wǎng)絡(luò)有ＶＧＧ［６］ 、ＲｅｓＮｅｔ、Ｉｎｃｅｐｔｉｏｎ 等，這些網(wǎng)絡(luò)可以提取不同層次的特征。本文將ＲｅｓＮｅｔ 卷積神經(jīng)網(wǎng)絡(luò)作為特征提取器。

（２）ＲＰＮ 網(wǎng)絡(luò)。

ＲＰＮ 是Ｆａｓｔｅｒ Ｒ?ＣＮＮ 中的一個(gè)關(guān)鍵模塊，其作用是生成候選區(qū)域，即物體可能出現(xiàn)的位置。ＲＰＮ 網(wǎng)絡(luò)是一個(gè)小型的卷積神經(jīng)網(wǎng)絡(luò)，其輸入為卷積特征圖，輸出為多個(gè)候選區(qū)域。具體而言，ＲＰＮ 網(wǎng)絡(luò)通過(guò)滑動(dòng)窗口的方式在特征圖上滑動(dòng)，每個(gè)位置生成多個(gè)不同大小和長(zhǎng)寬比的錨框，然后對(duì)每個(gè)錨框進(jìn)行分類和回歸，得到每個(gè)錨框的置信度和偏移量，最后根據(jù)置信度選擇一定數(shù)量的候選區(qū)域。

（３）ＲＯＩ 池化。

ＲＯＩ 池化是指Ｆａｓｔｅｒ Ｒ?ＣＮＮ 對(duì)候選區(qū)域進(jìn)行特征提取的操作。對(duì)于每個(gè)候選區(qū)域，ＲＯＩ 池化將其劃分成固定大小的網(wǎng)格，然后在每個(gè)網(wǎng)格上進(jìn)行最大池化操作，將每個(gè)網(wǎng)格內(nèi)的最大值作為該網(wǎng)格的特征表示。最后將所有網(wǎng)格的特征拼接起來(lái)，作為該候選區(qū)域的特征表示。

（４）全連接層。

Ｆａｓｔｅｒ Ｒ?ＣＮＮ 的最后一層是全連接層，用于對(duì)候選區(qū)域進(jìn)行分類和回歸。具體而言，全連接層首先將每個(gè)候選區(qū)域的特征表示通過(guò)一層全連接層映射到一個(gè)固定長(zhǎng)度的向量，然后分別對(duì)該向量進(jìn)行分類和回歸，得到物體類別和位置信息。

２．２ 鯨魚優(yōu)化算法

鯨魚優(yōu)化算法是一種新興的基于仿生學(xué)的全局優(yōu)化算法，其靈感來(lái)源于鯨魚的群體行為。鯨魚優(yōu)化算法通過(guò)模擬鯨魚的游動(dòng)行為，對(duì)搜索空間進(jìn)行探索和優(yōu)化，以找到最優(yōu)解。算法的基本流程如下：

（１）初始化種群，包括鯨魚的位置和速度；

（２）計(jì)算每條鯨魚的適應(yīng)度；

（３）根據(jù)適應(yīng)度更新最優(yōu)解；

（４）根據(jù)當(dāng)前最優(yōu)解和鯨魚的位置更新鯨魚的速度和位置；

（５）重復(fù)步驟（２） ～（４），直至達(dá)到停止準(zhǔn)則。

鯨魚優(yōu)化算法的關(guān)鍵在于鯨魚的游動(dòng)行為。在該算法中，鯨魚的游動(dòng)行為被抽象成３ 種基本的行為，分別是旋轉(zhuǎn)、俯沖和泡沫聚集。

旋轉(zhuǎn)行為是指鯨魚在游動(dòng)過(guò)程中繞著自身旋轉(zhuǎn)的行為，可用公式（１）表示；俯沖行為是指鯨魚在游動(dòng)過(guò)程中向下俯沖的行為，可用公式（２）表示；泡沫聚集行為是指鯨魚在游動(dòng)過(guò)程中圍繞著一些食物源聚集的行為，可用公式（３）表示。

２．３ 針對(duì)Ｒ?ＣＮＮ 的優(yōu)化策略

在Ｆａｓｔｅｒ Ｒ?ＣＮＮ 中，鯨魚優(yōu)化算法的優(yōu)化策略主要體現(xiàn)在損失函數(shù)的優(yōu)化上。該算法可以用來(lái)優(yōu)化模型的分類損失和回歸損失。在分類損失方面，本文使用該方法來(lái)優(yōu)化模型的權(quán)重參數(shù)，以提高分類準(zhǔn)確率。具體而言，可以將分類損失作為鯨魚優(yōu)化算法的目標(biāo)函數(shù)，然后再搜索最優(yōu)的權(quán)重參數(shù)：

其中，θｃ 表示分類損失的權(quán)重參數(shù)，Ｌｃ 表示分類損失函數(shù)。在回歸損失方面，本文使用該算法來(lái)優(yōu)化模型的邊界框回歸系數(shù)，以提高目標(biāo)檢測(cè)的準(zhǔn)確率，優(yōu)化回歸損失的邊界框回歸系數(shù)：

其中，θｒ 表示回歸損失的邊界框回歸系數(shù)，Ｌｒ 表示回歸損失函數(shù)。需注意的是，由于該方法只能使用歷史數(shù)據(jù)進(jìn)行優(yōu)化，因此在進(jìn)行優(yōu)化時(shí)，需要使用已有的訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練，并將訓(xùn)練得到的模型作為初始解來(lái)進(jìn)行優(yōu)化。此外，為了避免過(guò)擬合，還需要對(duì)其進(jìn)行一定的正則化處理。

３ 實(shí)驗(yàn)與討論

３．１ 數(shù)據(jù)集

ＰＡＳＣＡＬ ＶＯＣ ２０１２ 數(shù)據(jù)集是一個(gè)廣泛使用的圖像識(shí)別和目標(biāo)檢測(cè)數(shù)據(jù)集，其圖像來(lái)源于真實(shí)世界中的場(chǎng)景，具有一定的多樣性和復(fù)雜性，主要用于評(píng)估計(jì)算機(jī)視覺算法的性能。該數(shù)據(jù)集包含２０ 個(gè)常見類別的物體（如人、車、飛機(jī)等），每個(gè)類別有大約１ ０００張圖像，其中包含了物體的位置和類別標(biāo)簽信息。ＰＡＳＣＡＬ ＶＯＣ ２０１２ 數(shù)據(jù)集的部分圖片如圖２ 所示。

３．２ 測(cè)試結(jié)果

針對(duì)ＰＡＳＣＡＬ ＶＯＣ ２０１２ 數(shù)據(jù)集，本實(shí)驗(yàn)使用基于鯨魚優(yōu)化算法的Ｆａｓｔｅｒ Ｒ?ＣＮＮ 算法和標(biāo)準(zhǔn)ＦａｓｔｅｒＲ?ＣＮＮ 算法對(duì)物體進(jìn)行分類，并將準(zhǔn)確率、召回率和Ｆ１ 值作為評(píng)價(jià)指標(biāo)。實(shí)驗(yàn)結(jié)果如表１ 所列。

從表１ 中可以看出，基于鯨魚優(yōu)化算法的ＦａｓｔｅｒＲ?ＣＮＮ 算法在準(zhǔn)確率、召回率和Ｆ１ 值上均優(yōu)于標(biāo)準(zhǔn)Ｆａｓｔｅｒ Ｒ?ＣＮＮ 算法。

３．３ 結(jié)果分析

基于算法結(jié)構(gòu)和實(shí)驗(yàn)結(jié)果可知，Ｆａｓｔｅｒ Ｒ?ＣＮＮ算法通過(guò)引入Ｒｅｇｉｏｎ Ｐｒｏｐｏｓａｌ Ｎｅｔｗｏｒｋ（ＲＰＮ）來(lái)生成候選區(qū)域，并使用卷積神經(jīng)網(wǎng)絡(luò)（ＣＮＮ）對(duì)這些候選區(qū)域進(jìn)行分類和定位，使它在目標(biāo)檢測(cè)任務(wù)中具有較高的準(zhǔn)確率和速度，但是在處理大規(guī)模數(shù)據(jù)集時(shí)，其性能可能會(huì)受到限制。基于鯨魚優(yōu)化算法的Ｆａｓｔｅｒ Ｒ?ＣＮＮ 算法通過(guò)引入鯨魚優(yōu)化算法來(lái)優(yōu)化Ｆａｓｔｅｒ Ｒ?ＣＮＮ 算法中的超參數(shù)，從而提高了算法的性能，實(shí)驗(yàn)結(jié)果表明，基于鯨魚優(yōu)化算法的Ｆａｓｔｅｒ Ｒ?ＣＮＮ 算法在ＰＡＳＣＡＬ ＶＯＣ ２０１２ 數(shù)據(jù)集上具有更高的準(zhǔn)確率、召回率和Ｆ１ 值。此外，基于鯨魚優(yōu)化算法的Ｆａｓｔｅｒ Ｒ?ＣＮＮ 算法通過(guò)優(yōu)化超參數(shù)，理論上具備更好的泛化能力，且可以處理更大規(guī)模、更復(fù)雜的數(shù)據(jù)集。

４ 結(jié)束語(yǔ)

目標(biāo)檢測(cè)算法是計(jì)算機(jī)視覺領(lǐng)域的一項(xiàng)核心技術(shù)，它的主要任務(wù)是在圖像或視頻中檢測(cè)出特定目標(biāo)的位置和數(shù)量，并對(duì)其進(jìn)行分類。一個(gè)好的目標(biāo)檢測(cè)算法應(yīng)該既能夠準(zhǔn)確地檢測(cè)出目標(biāo)，又能夠盡可能地找到所有真實(shí)目標(biāo)。本文為了提高Ｆａｓｔｅｒ Ｒ?ＣＮＮ 算法的精度，首先對(duì)其結(jié)構(gòu)進(jìn)行了系統(tǒng)性分析，然后使用鯨魚優(yōu)化算法對(duì)其進(jìn)行優(yōu)化。針對(duì)ＰＡＳＣＡＬ ＶＯＣ２０１２ 數(shù)據(jù)集的實(shí)驗(yàn)表明，目標(biāo)檢測(cè)算法提高了目標(biāo)檢測(cè)精確度以及實(shí)用性。另外，目標(biāo)檢測(cè)算法還需要具備對(duì)遮擋和尺度變化的魯棒性，這也是本研究下一步要做的內(nèi)容。

參考文獻(xiàn)：

［１］ 甘玲，朱江，苗東．?dāng)U展Ｈａａｒ 特征檢測(cè)人眼的方法［Ｊ］．電子科技大學(xué)學(xué)報(bào)，２０１０，３９（２）：２４７?２５０．

［２］ 尚俊．基于ＨＯＧ 特征的目標(biāo)識(shí)別算法研究［Ｄ］．武漢：華中科技大學(xué)，２０１２．

［３］ 藺海峰，馬宇峰，宋濤．基于ＳＩＦＴ 特征目標(biāo)跟蹤算法研究［Ｊ］．自動(dòng)化學(xué)報(bào)，２０１０，３６（８）：１２０４?１２０８．

［４］ ＲＥＮ Ｓ，ＨＥ Ｋ，ＧＩＲＳＨＩＣＫ Ｒ，ｅｔ ａｌ．Ｆａｓｔｅｒ Ｒ?ＣＮＮ：Ｔｏｗａｒｄｓｒｅａｌ?ｔｉｍｅ ｏｂｊｅｃｔ ｄｅｔｅｃｔｉｏｎ ｗｉｔｈ ｒｅｇｉｏｎ ｐｒｏｐｏｓａｌ ｎｅｔｗｏｒｋｓ［ Ｊ］． ＩＥＥＥ ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ｐａｔｔｅｒｎ ａｎａｌｙｓｉｓ ａｎｄ ｍａｃｈｉｎｅｉｎｔｅｌｌｉｇｅｎｃｅ，２０１７，３９（６）：１１３７?１１４９．

［５］ ＪＩＡＮＧ Ｐ，ＥＲＧＵ Ｄ，ＬＩＵ Ｆ，ｅｔ ａｌ．Ａ Ｒｅｖｉｅｗ ｏｆ Ｙｏｌｏ ａｌｇｏｒｉｔｈｍｄｅｖｅｌｏｐｍｅｎｔｓ［Ｊ］．Ｐｒｏｃｅｄｉａ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ，２０２２，１９９：１０６６?１０７３．

［６］ 包嘉欣，田秋紅，楊慧敏，等．基于膚色分割與改進(jìn)ＶＧＧ 網(wǎng)絡(luò)的手語(yǔ)識(shí)別［Ｊ］．計(jì)算機(jī)系統(tǒng)應(yīng)用，２０２０，２９（６）：４７?５５．

作者簡(jiǎn)介：

曹宏徙（１９８７—），碩士，工程師，研究方向：網(wǎng)絡(luò)安全、計(jì)算機(jī)視覺。