【導(dǎo)讀】神經(jīng)網(wǎng)絡(luò)在計算機視覺領(lǐng)域有著廣泛的應(yīng)用。只要稍加變形，同樣的工具和技術(shù)就可以有效地應(yīng)用于廣泛的任務(wù)。在本文中，我們將介紹其中的幾個應(yīng)用程序和方法，包括語義分割、分類與定位、目標(biāo)檢測、實例分割。

Detection andSegmentation through ConvNets

——計算機視覺-目標(biāo)檢測與分割

神經(jīng)網(wǎng)絡(luò)在計算機視覺領(lǐng)域有著廣泛的應(yīng)用。只要稍加變形，同樣的工具和技術(shù)就可以有效地應(yīng)用于廣泛的任務(wù)。在本文中，我們將介紹其中的幾個應(yīng)用程序和方法。最常見的四個是：

語義分割（Semantic segmentation）

分類與定位（Classification and localization）

目標(biāo)檢測（Object detection）

實例分割（Instance segmentation）

1、語義分割

我們輸入圖像并輸出每個像素的類別決策。換句話說，我們希望將每個像素劃分為幾個可能的類別之一。這意味著，所有攜帶綿羊的像素都會被分類為一個類別，有草和道路的像素也會被分類。更重要的是，輸出不會區(qū)分兩種不同的綿羊。

解決這個問題的一個可能的方法是把它當(dāng)作一個滑動窗口的分類問題[1]。這樣我們就把輸入圖像分解成幾個大小相同的crop。然后每一種crop都會被傳送給CNN，作為輸出得到該crop的分類類別。像素級的crop會對每一個像素進行分類。這是非常容易的，不是嗎？

滑動窗口的語義分割

嗯，甚至不需要研究生學(xué)位就能看出這種方法在實際中的計算效率有多低。我們需要的是一種盡量將圖像的傳送次數(shù)減少到單道的方法。幸運的是，有一些技術(shù)可以用所有卷積層來同時對所有像素進行預(yù)測。

語義分割的全卷積層

如你所見，這樣的網(wǎng)絡(luò)將是下采樣和上采樣層的混合，以保持輸入圖像的空間大小(在像素級進行預(yù)測)。下采樣是通過使用strides或max/avg pooling來實現(xiàn)的。另一方面，上采樣需要使用一些巧妙的技術(shù)，其中兩個是-最近鄰[2]和轉(zhuǎn)置卷積[3]。

上采樣技術(shù)

簡而言之，最近鄰只是在它的接受域中復(fù)制特定元素（在上面的例子中是2x2）。另一方面，轉(zhuǎn)置卷積努力學(xué)習(xí)適當(dāng)?shù)臋?quán)重,為濾波器執(zhí)行上采樣。在這里，我們從左上角值開始，這是一個標(biāo)量，與過濾器相乘，并將這些值復(fù)制到輸出單元格中。然后，我們將濾波器中的一些特定像素與輸入中的一個像素成比例地移動。這就是輸出和輸入之間的比率，這將給我們提供我們想要使用的步幅。在有重疊的情況下，我們只對數(shù)值進行匯總。這樣，這些過濾器也構(gòu)成了這些網(wǎng)絡(luò)的可學(xué)習(xí)參數(shù)，而不是一些固定的值集，就像最近的鄰居一樣。最后，利用像素級的交叉熵損失[4]對整個網(wǎng)絡(luò)進行反向傳播訓(xùn)練[5]。

2、分類和定位

圖像分類[6]處理的是將類別標(biāo)簽分配給圖像。但是有時，除了預(yù)測類別之外，我們還感興趣的是該對象在圖像中的位置。從數(shù)學(xué)的角度來說，我們可能希望在圖像的頂部畫一個包圍框。幸運的是，我們可以重用圖像分類學(xué)到的所有工具和技術(shù)。

用于分類定位的卷積網(wǎng)絡(luò)

我們首先將輸入圖像輸入到某個巨大的ConvNet中，這將給出每個類別的分數(shù)。但是現(xiàn)在我們有了另一個完全連接的層，它從先前層次生成的特征Map中預(yù)測對象的邊界框坐標(biāo)(x，y坐標(biāo)以及高度和寬度)。因此，我們的網(wǎng)絡(luò)將產(chǎn)生兩個輸出，一個對應(yīng)于圖像類，另一個對應(yīng)于邊界。為了訓(xùn)練這個網(wǎng)絡(luò)，我們必須考慮兩個損失：分類的交叉熵損失和邊界預(yù)測的L1/L2損失[7](某種回歸損失)。

廣義上，這種預(yù)測固定數(shù)目集的思想可以應(yīng)用于除定位以外的各種計算機視覺任務(wù)，如人體姿態(tài)估計。

人體姿態(tài)估計

在這里，我們可以定義人體姿勢的固定點集上的身體，例如關(guān)節(jié)。然后將我們的圖像輸入到ConvNet并輸出相同的固定點集（x，y）坐標(biāo)。然后我們可以在每一點上應(yīng)用某種回歸損失來通過反向訓(xùn)練來訓(xùn)練網(wǎng)絡(luò).

3、目標(biāo)檢測

目標(biāo)檢測的思想是從我們感興趣的一組固定類別開始，每當(dāng)這些類別中的任何一種出現(xiàn)在輸入圖像中時，我們就會在圖像周圍畫出包圍框，并預(yù)測它的類標(biāo)簽。這與圖像分類和定位的不同之處在于，在前一種意義上，我們只對單個對象進行分類和繪制邊框。而在后一種情況下，我們無法提前知道圖像中期望的對象數(shù)量。同樣，我們也可以采用蠻力滑動窗口方法[8]來解決這個問題。然而，這又是一種計算效率低下的問題，很少有算法能有效地解決這一問題，比如基于Region proposal的算法，及基于yolo目標(biāo)檢測的算法[9]。

基于Region proposal的算法

給定一個輸入圖像，一個Regionproposal算法會給出成千上萬個可能出現(xiàn)對象的框。當(dāng)然，在沒有對象的情況下，輸出框中存在噪聲的可能性。但是，如果圖像中有任何對象，該算法就會選擇它作為候選框。

區(qū)域搜索的選擇性搜索

為了使所有的候選框都是一樣大小的，我們需要把它們變形到固定的方格大小，這樣我們最終就可以給網(wǎng)絡(luò)輸入了。然后，我們可以將一個巨大的ConvNets應(yīng)用到從region proposal輸出的每個候選框中以獲得最終類別。當(dāng)然，與蠻力滑動窗口算法相比，它最終的計算效率要高得多。這就是R-CNN背后的整個想法。為了進一步降低復(fù)雜度，采用Fast R-CNN的方法，F(xiàn)ast R-CNN的思想首先是通過ConvNet傳遞輸入圖像，得到高分辨率的特征圖，然后將這些region proposals強加到這個特征圖上，而不是實際的圖像上。這使得我們可以在有大量crops的情況下，在整個圖像中重用大量代價昂貴的卷積運算。

YOLO（You only look once）

YOLO目標(biāo)檢測

Yolo背后的想法是，不要在所有提議的區(qū)域進行獨立的處理，而是將所有的預(yù)測都重組為一個單一的回歸問題，從圖像像素到包圍框坐標(biāo)和分類概率。

我們首先將整個輸入圖像劃分為SXS網(wǎng)格，每個網(wǎng)格單元與b邊界(x，y，w，h)一起預(yù)測c條件的類概率(Pr(Class | Object))，每個邊界盒(x，y，w，h)都有一個置信度分數(shù)。(x，y)坐標(biāo)表示邊框的中心相對于網(wǎng)格單元格的邊界，而寬度和高度則是相對于整個圖像預(yù)測。概率是以包含對象的網(wǎng)格單元為條件的。我們只預(yù)測每個網(wǎng)格單元格的一組類概率，而不管方框B的數(shù)量。置信度分數(shù)反映了模型對框中包含對象的信心程度，如果框中沒有對象，則置信度必須為零。在另一個極端，置信度應(yīng)與預(yù)測框與ground truth標(biāo)簽之間的交集(IOU)相同。

Confidence score =Pr(Object) * IOU

在測試時，我們將條件類概率和單個邊框置信度預(yù)測相乘，這給出了每個框的特定類別的置信度分數(shù)。這些分數(shù)既編碼了該類出現(xiàn)在盒子中的概率，也表示了預(yù)測的盒適合對象的程度。

Pr(Class | Object) ?(Pr(Object) ? IOU) = Pr(Class) ? IOU

4、實例分割

實例分割采用語義分割和目標(biāo)檢測相結(jié)合的技術(shù)。給定一幅圖像，我們希望預(yù)測該圖像中目標(biāo)的位置和身份(類似于目標(biāo)檢測)，但是，與其預(yù)測這些目標(biāo)的邊界框，不如預(yù)測這些目標(biāo)的整個分割掩碼，即輸入圖像中的哪個像素對應(yīng)于哪個目標(biāo)實例。在此基礎(chǔ)上，我們對圖像中的每一只綿羊分別得到了分割掩碼，而語義分割中所有的綿羊都得到了相同的分割掩碼。

基于Mask R-CNN的實例分割

Mask R-CNN是這類任務(wù)的首選網(wǎng)絡(luò)。在這個多階段的處理任務(wù)中，我們通過一個ConvNet和一些學(xué)習(xí)region proposal網(wǎng)絡(luò)傳遞輸入圖像。一旦我們有了這些region proposal，我們就把這些proposals投影到卷積特征圖上，就像我們在R-CNN的情況下所做的那樣。然而現(xiàn)在，除了進行分類和邊界框預(yù)測之外，我們還預(yù)測了每個region proposal的分割掩碼。