CS231N-11-Other Computer Vision Tasks

semantic segmentation 语义分割
Upsampling
Unpooling

Transpose Convolution Deconvolution 对卷积的再理解

Localisation 定位

Object Detection 物体检测
Ross Girshick rbg

R-CNN

Fast R-CNN

Faster-RCNN

YOLO SSD

Instance Segmentation 实例分割
Mask R-CNN

计算机视觉除了最简单的图像分类外，还有以下主题。



semantic segmentation 语义分割：对每个pixel分类

localisation：对single object定位

detection: 对multiple object定位

预警：本讲至少涉及7篇经典论文：语义分割的FCN，目标检测的R-CNN，Fast R-CNN, Faster R-CNN, YOLO, SSD，实例分割的Mask R-CNN.

这些论文只有读过复现过，才能真正理解。这里只是个概要。

PS: CV这些坑挖的差不多了，现在读这个方向的PhD建议换坑吧。都被大神垄断了。

semantic segmentation 语义分割

对每个像素点做分类，不会分割overlap的物体。这是从图像分类出发的第一步，也是自动驾驶的最基础。

我们现在知道什么？仅仅是图像分类。to be specific, 就是一张图片经过CNN输出一个向量，哪个值最大，就是类别。好的，就从这里出发。



第一个naive算法，sliding window滑动窗口。把每个像素遍历，带着周边的像素点，分别做图像分类，显然这是理论可行的。但遍历像素的计算量太大了。



第二个算法，CNN最后的输出不是一个向量，而是tensor，即纵深是概率向量，覆盖整张图片，然后去argmax，就得到每个像素的分类。

问题依旧是conv层如果不变的话，计算量太大了。



第三个算法在第二个基础上，提出先downsample下采样再upsample上采样，这样先减后增，明显减少了参数数量。不过问题是，我们学过downsampling的技术（卷积层，pooling层），那么upsampling呢？

Upsampling

着重讲了上采样的实现。分为fixed和learned两种。

Unpooling

以上是两个最简单的固定上采样，pooling的反面。看图不解释了。

max unpooling 是存储先前pooling argmax，然后填到相同的位置上。保持神经网络在先减后增的对称性。

Transpose Convolution (Deconvolution) 对卷积的再理解

这是本讲的重点，也是很有趣的地方。转置卷积，民间又称为逆卷积。现在我们的任务是升size。pooling与unpooling是降size和升size的一对。那么convolution和transpose convolution也是降size和升size的一对。

方法就是卷积核遍历小的矩阵，作一个矩阵乘法，得到一个输出矩阵，然后填满大的矩阵，见图。

为什么叫转置卷积？让我们从矩阵乘法理解卷积。





摘自知乎大神回答，一针见血。如何理解深度学习中的deconvolution networks？.

卷积可以理解为一个很对称的稀疏矩阵C乘以输入向量（将输入矩阵展开）。而且反向传播的Local gradient可以证明是左乘CT.

转置卷积可以理解为一个很对称的稀疏矩阵CT乘以输入向量（将输入矩阵展开）。而且反向传播的Local gradient可以证明是左乘(CT)T=C.

即矩阵大小转置后，变成长度很小宽度很大的矩阵，乘以短的向量，得到长的向量。恰好与卷积相反。实现了升size。

故最终的语义分割segmentation模型如图所示。很优美对称，先减后增，conv&deconv (pooling&unpooling)。这个模型来源于Fully Convolutional Networks for Semantic Segmentation这篇论文，简称FCN.

Localisation 定位

定位是在分类的基础上，多任务学习。定位相当于四个点的坐标。multitask loss=softmax/cross entropy loss+L2 loss（平方项，不是reg）. 即分类的损失函数（classfication）与定位坐标的损失函数（regression），fully connected 4096*4。注意定位是确定一个物体的，故坐标数量是确定的。两个loss之间的加权平均，这个权是最重要的超参数，直接影响了Loss，比lr®还厉害。以及CNN是Pre-trained然后fine-tuned.

同理，可以做Human Pose Estimation，即姿势识别，固定的多个姿势点，Loss之和。

Label标注比较艰巨，需要对所有姿势点标注（或者方框box coordinate），当然比pixel要好点。

Object Detection 物体检测

物体检测与localization+classfication的区别在于，我不知道物体的数量。这就是难点所在。deep learning在物体检测著名数据集PASCAL VOC上表现优异。



最naive的办法是滑动窗口遍历，每个方框进行图像分类，显然不可能。

Ross Girshick (rbg)

首先，下面介绍的几个算法，逐一进步，但竟都是有同一个人参与，就是RBG大神，Ross Girshick。个人主页http://www.rossgirshick.info/.

在Berkeley Postdoc期间，提出R-CNN，Fast-RCNN，再到和Kaiming He提出Faster-RCNN。现已加入FAIR。

Object Detection 独一档的人物。

I also participated in several first-place entries into the PASCAL VOC object detection challenge, and was awarded a “lifetime achievement” prize for my work on deformable part models. I think this refers to the lifetime of the PASCAL challenge—and not mine!

知乎上关于Object Detection的两个大讨论：

如何评价rcnn、fast-rcnn和faster-rcnn这一系列方法？

从近两年的CVPR会议来看，目标检测的研究方向是怎么样的？

关于这些算法的知乎专栏.

R-CNN

Rich feature hierarchies for accurate object detection and semantic segmentation

Objection Detection与Deep Learning结合的开山之作。

R-CNN的R来源于Region Proposals，全称是Region-based CNN. 思想是为了避免naive sliding window，用selective search算法得到2000个的备选box，称作region of interest(ROI)，然后对每个ROI作CNN图像分类。

如下图所示，由于CNN输入尺寸固定，对每个ROI作伸缩到相同尺度，然后用CNN图像分类，原文是SVM LOSS加上Bbox reg？，对边框也有regression。

缺点很明显，太慢了，2000张train慢，test慢。于是有了后面改进。



既然回归方法效果不好，而CNN在分类问题上效果很好，那么为什么不把detection问题转化为分类问题呢？RBG的RCNN使用region proposal（具体用的是Selective Search Koen van de Sande: Segmentation as Selective Search for Object Recognition）来得到有可能得到是object的若干（大概10^3量级）图像局部区域，然后把这些区域分别输入到CNN中，得到区域的feature，再在feature上加上分类器，判断feature对应的区域是属于具体某类object还是背景。当然，RBG还用了区域对应的feature做了针对boundingbox的回归，用来修正预测的boundingbox的位置。RCNN在VOC2007上的mAP是58%左右。

作者：魏晋

链接：https://www.zhihu.com/question/35887527/answer/73048322

来源：知乎

著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

至于Selective Search的介绍，参见上述论文，或者知乎RCNN- 将CNN引入目标检测的开山之作

Selective Search 主要思想:

使用一种过分割手段，将图像分割成小区域 (1k~2k 个)

查看现有小区域，按照合并规则合并可能性最高的相邻两个区域。重复直到整张图像合并成一个区域位置

输出所有曾经存在过的区域，所谓候选区域

其中合并规则如下： 优先合并以下四种区域：

颜色（颜色直方图）相近的

纹理（梯度直方图）相近的

合并后总面积小的： 保证合并操作的尺度较为均匀，避免一个大区域陆续“吃掉”其他小区域

合并后，总面积在其BBOX中所占比例大的： 保证合并后形状规则。

要点是这是传统CV的固定算法。

Fast R-CNN

Fast R-CNN

于是RBG借鉴Kaiming He的SPP-net的思路单枪匹马搞出了Fast-RCNN，跟RCNN最大区别就是Fast-RCNN将proposal的region映射到CNN的最后一层conv layer的feature map上，这样一张图片只需要提取一次feature，大大提高了速度，也由于流程的整合以及其他原因，在VOC2007上的mAP也提高到了68%。

作者：魏晋

链接：https://www.zhihu.com/question/35887527/answer/73048322

来源：知乎

著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。



如上图所示，先对整张图片进入CNN，到最后的卷积层用selective search得到ROI，然后ROI Pooling layer得到统一的region，然后FC层。

注：省去的时间是2000次CNN。**在CNN最后一层，得到的feature map已经是高度提取的特征了，故ROI少而精。**Region Proposal有很多种求法，selective search是主流算法。

但没怎么搞懂roi pooling, bounding box regression, fc怎么连的。知乎专栏Fast-RCNN.

Faster-RCNN

Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks

Fast-RCNN的速度瓶颈在Region proposal上，于是RBG和Kaiming He一帮人将Region proposal也交给CNN来做，提出了Faster-RCNN。Fater-RCNN中的region proposal netwrok实质是一个Fast-RCNN，这个Fast-RCNN输入的region proposal的是固定的（把一张图片划分成n*n个区域，每个区域给出9个不同ratio和scale的proposal），输出的是对输入的固定proposal是属于背景还是前景的判断和对齐位置的修正（regression）。Region proposal network的输出再输入第二个Fast-RCNN做更精细的分类和Boundingbox的位置修正。Fater-RCNN速度更快了，而且用VGG net作为feature extractor时在VOC2007上mAP能到73%。

作者：魏晋

链接：https://www.zhihu.com/question/35887527/answer/73048322

来源：知乎

著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。



我们发现selective search是时间瓶颈bottleneck，faster-rcnn在feature map上建立Region Proposal Network RPN来预测ROI。RPN是怎么学习的？这就很黑科技了…

RPN好像是binary classification，对于判断有的物体，然后还要一个ROI pooling层。具体看论文吧…

以下是region-based methods的速度比较



2016年有涌现出single shot的YOLO & SSD。

YOLO & SSD

You only look once: Unified, real-time object detection

rbg又发了YOLO，是single-shot methods，只扫一次。这比RCNN region-based快很多，当然accuracy会低一点。



输入还是一张图片，经过CNN，输出很多东西：将图片分成7*7网格，每个有B个base box，然后参数是dx,dy等偏差，然后还有类别，一共7*7*(5b+c)个输出，这是固定的个数，作regression。对回归其实还不太懂…

Instance Segmentation 实例分割

中文是什么… 实例分割？反正是semantic segmentation和object segmentation的结合。目标检测后按像素分割。语义分割不会区分相同的物体，他们重叠在一起，应该是要分开的。不能直接用语义分割去做。

Mask R-CNN

Kaiming He和rgb合作的2017全新力作。



三个loss

classfication

bounding box regression

mask

在Faster-R-CNN基础上，得到RPN生成的ROI，这些ROI作分类，然后对每个像素点做mask。

看论文吧。这样是没法理解的。