目標(biāo)檢測入門和實(shí)現(xiàn)思路！

一、目標(biāo)檢測基本概念

1. 什么是目標(biāo)檢測

目標(biāo)檢測是計(jì)算機(jī)視覺中的一個(gè)重要任務(wù)，近年來傳統(tǒng)目標(biāo)檢測方法已經(jīng)難以滿足人們對目標(biāo)檢測效果的要求，隨著深度學(xué)習(xí)在計(jì)算機(jī)視覺任務(wù)上取得的巨大進(jìn)展，目前基于深度學(xué)習(xí)的目標(biāo)檢測算法已經(jīng)成為主流。

相比較于基于深度學(xué)習(xí)的圖像分類任務(wù)，目標(biāo)檢測任務(wù)更具難度，具體區(qū)別如下圖所示。

圖像分類：只需要判斷輸入的圖像中是否包含感興趣物體。

目標(biāo)檢測：需要在識(shí)別出圖片中目標(biāo)類別的基礎(chǔ)上，還要精確定位到目標(biāo)的具體位置，并用外接矩形框標(biāo)出。

分類和目標(biāo)檢測任務(wù)示意圖

2. 目標(biāo)檢測常用思路

自2012年Alex Krizhevsky憑借Alex在ImageNet圖像分類挑戰(zhàn)賽中拿下冠軍之后，深度學(xué)習(xí)在圖像識(shí)別尤其是圖像分類領(lǐng)域開始大放異彩，大眾的視野也重新回到深度神經(jīng)網(wǎng)絡(luò)中。緊接著，不斷有更深更復(fù)雜的網(wǎng)絡(luò)出現(xiàn)，一再刷新ImageNet圖像分類比賽的記錄。

大家發(fā)現(xiàn)，通過合理的構(gòu)造，神經(jīng)網(wǎng)絡(luò)可以用來預(yù)測各種各樣的實(shí)際問題。于是人們開始了基于CNN的目標(biāo)檢測研究, 但是隨著進(jìn)一步的探索大家發(fā)現(xiàn)，似乎CNN并不善于直接預(yù)測坐標(biāo)信息。并且一幅圖像中可能出現(xiàn)的物體個(gè)數(shù)也是不定的，模型如何構(gòu)建也比較棘手。

因此，人們就想，如果知道了圖中某個(gè)位置存在物體，再將對應(yīng)的局部區(qū)域送入到分類網(wǎng)絡(luò)中去進(jìn)行判別，那我不就可以知道圖像中每個(gè)物體的位置和類別了嗎？

但是，怎么樣才能知道每個(gè)物體的位置呢？顯然我們是沒辦法知道的，但是我們可以去猜??！所謂猜，其實(shí)就是通過滑窗的方式，羅列圖中各種可能的區(qū)域，一個(gè)個(gè)去試，分別送入到分類網(wǎng)絡(luò)進(jìn)行分類得到其類別，同時(shí)我們會(huì)對當(dāng)前的邊界框進(jìn)行微調(diào)，這樣對于圖像中每個(gè)區(qū)域都能得到（class,x1,y1,x2,y2）五個(gè)屬性，匯總后最終就得到了圖中物體的類別和坐標(biāo)信息。

總結(jié)一下我們的這種方案思路：先確立眾多候選框，再對候選框進(jìn)行分類和微調(diào)。

觀察下圖，更形象的理解下這種思想：

3. 目標(biāo)框定義方式

任何圖像任務(wù)的訓(xùn)練數(shù)據(jù)都要包括兩項(xiàng)，圖片和真實(shí)標(biāo)簽信息，通常叫做GT。

圖像分類中，標(biāo)簽信息是類別。目標(biāo)檢測的標(biāo)簽信息除了類別label以外，需要同時(shí)包含目標(biāo)的位置信息，也就是目標(biāo)的外接矩形框bounding box。

用來表達(dá)bbox的格式通常有兩種，(x1, y1, x2, y2) 和 (c_x, c_y, w, h) ，如圖所示：

之所以使用兩種不同的目標(biāo)框信息表達(dá)格式，是因?yàn)閮煞N格式會(huì)分別在后續(xù)不同場景下更加便于計(jì)算。

兩種格式互相轉(zhuǎn)換的實(shí)現(xiàn)在utils.py中，代碼也非常簡單：

def xy_to_cxcy(xy):
    """
    Convert bounding boxes from boundary coordinates (x_min, y_min, x_max, y_max) to center-size coordinates (c_x, c_y, w, h).

    :param xy: bounding boxes in boundary coordinates, a tensor of size (n_boxes, 4)
    :return: bounding boxes in center-size coordinates, a tensor of size (n_boxes, 4)
    """
    return torch.cat([(xy[:, 2:] + xy[:, :2]) / 2,  # c_x, c_y
                      xy[:, 2:] - xy[:, :2]], 1)  # w, h


def cxcy_to_xy(cxcy):
    """
    Convert bounding boxes from center-size coordinates (c_x, c_y, w, h) to boundary coordinates (x_min, y_min, x_max, y_max).

    :param cxcy: bounding boxes in center-size coordinates, a tensor of size (n_boxes, 4)
    :return: bounding boxes in boundary coordinates, a tensor of size (n_boxes, 4)
    """
    return torch.cat([cxcy[:, :2] - (cxcy[:, 2:] / 2),  # x_min, y_min
                      cxcy[:, :2] + (cxcy[:, 2:] / 2)], 1)  # x_max, y_max

用torch.cat()將兩個(gè)形狀為(n,2)的tensor在第一維度拼接成(n,4)。

4. 交并比（IoU）

在目標(biāo)檢測任務(wù)中，關(guān)于IOU的計(jì)算貫穿整個(gè)模型的訓(xùn)練測試和評(píng)價(jià)過程，是非常非常重要的一個(gè)概念，其目的是用來衡量兩個(gè)目標(biāo)框的重疊程度。

IoU的全稱是交并比（Intersection over Union），表示兩個(gè)目標(biāo)框的交集占其并集的比例。下圖為IOU計(jì)算示意圖:

圖中可以看到，分子中黃色區(qū)域?yàn)榧tbbox和綠bbox的交集，分母中黃+紅+綠區(qū)域?yàn)榧tbbox和綠bbox的并集，兩者之比即為iou。

那么具體怎么去計(jì)算呢？這里給出計(jì)算流程的簡述:

• 首先獲取兩個(gè)框的坐標(biāo)，紅框坐標(biāo): 左上(red_x1, red_y1), 右下(red_x2, red_y2)，綠框坐標(biāo): 左上(green_x1, green_y1)，右下(green_x2, green_y2)
• 計(jì)算兩個(gè)框左上點(diǎn)的坐標(biāo)最大值:(max(red_x1, green_x1), max(red_y1, green_y1)), 和右下點(diǎn)坐標(biāo)最小值:(min(red_x2, green_x2), min(red_y2, green_y2))
• 利用2算出的信息計(jì)算黃框面積：yellow_area
• 計(jì)算紅綠框的面積：red_area 和 green_area
• iou = yellow_area / (red_area + green_area - yellow_area)

如果文字表述的不夠清晰，就再看下代碼：

def find_intersection(set_1, set_2):
    """ 
    Find the intersection of every box combination between two sets of boxes that are in boundary coordinates.

    :param set_1: set 1, a tensor of dimensions (n1, 4)                                                                                                           
    :param set_2: set 2, a tensor of dimensions (n2, 4)
    :return: intersection of each of the boxes in set 1 with respect to each of the boxes in set 2, a tensor of dimensions (n1, n2)
    """

    # PyTorch auto-broadcasts singleton dimensions
    lower_bounds = torch.max(set_1[:, :2].unsqueeze(1), set_2[:, :2].unsqueeze(0))  # (n1, n2, 2)
    upper_bounds = torch.min(set_1[:, 2:].unsqueeze(1), set_2[:, 2:].unsqueeze(0))  # (n1, n2, 2)
    intersection_dims = torch.clamp(upper_bounds - lower_bounds, min=0)  # (n1, n2, 2)
    return intersection_dims[:, :, 0] * intersection_dims[:, :, 1]  # (n1, n2)


def find_jaccard_overlap(set_1, set_2):
    """ 
    Find the Jaccard Overlap (IoU) of every box combination between two sets of boxes that are in boundary coordinates.

    :param set_1: set 1, a tensor of dimensions (n1, 4)
    :param set_2: set 2, a tensor of dimensions (n2, 4)
    :return: Jaccard Overlap of each of the boxes in set 1 with respect to each of the boxes in set 2, a tensor of dimensions (n1, n2)
    """

    # Find intersections
    intersection = find_intersection(set_1, set_2)  # (n1, n2)

    # Find areas of each box in both sets
    areas_set_1 = (set_1[:, 2] - set_1[:, 0]) * (set_1[:, 3] - set_1[:, 1])  # (n1)
    areas_set_2 = (set_2[:, 2] - set_2[:, 0]) * (set_2[:, 3] - set_2[:, 1])  # (n2)

    # Find the union
    # PyTorch auto-broadcasts singleton dimensions
    union = areas_set_1.unsqueeze(1) + areas_set_2.unsqueeze(0) - intersection  # (n1, n2)

    return intersection / union  # (n1, n2)

以上代碼位于utils.py腳本的find_intersection和find_jaccard_overlap。

• 函數(shù) find_intersectionfind_intersection(set_1, set_2) 是求形狀為 (n1,4) 和 (n2,4) 的boxes的交集的面積。set_1[:, :2]的形狀為(n1,2)，后面加上.unsqueeze(1)，形狀變?yōu)?n1,1,2)。同理set_2[:, :2].unsqueeze(0) ,形狀為(1,n2,2)。

  (n1,1,2)和(1,n2,2)，作了torch.max,有廣播存在，(n1,1,2)變成(n1,n2,2) ,（1,n2,2）也變成(n1,n2,2)。因此得到了形狀為(n1,n2,2)的框的左上角坐標(biāo) 那個(gè)2 就是儲(chǔ)存了x1,y1。

  torch.clamp()是將函數(shù)限制在最大值和最小值范圍內(nèi)，如果超過就變成那個(gè)最大值或者最小值。這里min=0，意思是如果面積小于0,那么面積取0（排除異常）。

• 函數(shù)find_jaccard_overlap計(jì)算iou，交集/并集，最后union計(jì)算, ?升維 (n1)->(n1,1) ? ?、 ?(n2)->(1,n2) ? 、 接下去相加，廣播成(n1,n2),減去一個(gè)（n1,n2）的交集面積，得到并集面積。

5. 小結(jié)

本小節(jié)首先介紹了目標(biāo)檢測的問題背景，隨后分析了一個(gè)實(shí)現(xiàn)目標(biāo)檢測的解決思路，這也是眾多經(jīng)典檢測網(wǎng)絡(luò)所采用的思路(即先確立眾多候選框，再對候選框進(jìn)行分類和微調(diào))。最后介紹了bbox和IoU這兩個(gè)目標(biāo)檢測相關(guān)的基本概念。

下一篇將會(huì)從數(shù)據(jù)入手，介紹下目標(biāo)檢測領(lǐng)域最常見的一個(gè)數(shù)據(jù)集VOC，以及數(shù)據(jù)讀取相關(guān)的代碼。