这样可以更精确的目标检测——超网络

暑假的“尾巴”很多人都抓不住了，因为不知不觉，新的学期要开始了，几家欢喜几家愁，但是会想起学生时代的我，还是特征憧憬新的学期到来，那种激动的心情无法用美丽的辞藻去形容，在此，也祝大家新学期新“形象”，都能通过自己的努力去实现心里设定的小目标，加油~

那接下来我们开始今天的分享，也是上次文章的一次内容补充和知识的拓展——“哇~这么Deep且又轻量的Network，实时目标检测”，若有兴趣的您，可以去回顾一下。

目标检测出现的问题

现在的先进方法去进行目标检测的时候，经常使用成千个候选区域去得到较高的Recall，该过程严重影响了检测的效率。虽然最新的区域后选网络(RPN)用了几百个候选区域就可以达到较好的检测准确度，但是其仍然挣扎于小目标检测和精确定位（比如较大的IoU阈值），主要由于特征图的粗劣。

主要内容

于是，提出一个深度的多层网络，称为“HyperNet”，用来处理候选区域的产生和共同目标检测。HyperNet先融合不同层的特征图，然后将它们压缩到一个统一的空间。

HyperFeature包含了图像的深层但又含有更高的语义、中间层但又互补和底层但自然高分辨率特征。最后通过端到端(End-to-End)共同训练策略来构建HyperNet。

最后本文在VOC2007和VOC2012数据集上实验，都得到较高的准确度，并且有5fps的速度（只在一个GPU上运行），因此其有较好的实时处理能力。

图1 Top：前10个区域检测的区域和最后检测结果；Down：HyperNet简单框架

HyperNet框架

HyperNet框架如图2所示，首先，一张完整的图片通过卷基层向前传递，并产生不同的激活映射。将多层特征图融合，然后将他们压缩到一个统一的空间，命名为“HyperFeature”。接下来，一个简单的区域后选产生网络被构建并产生了大约100个候选区域。最后，这些后选区域被分类并调整基于目标检测模块。

图2 HyperNet目标检测框架

HyperFeature Production

在CNN的子采样和池化操作过程中，这些特征图并不具有相同的分辨率。为了结合多层的特征图并有相同的分辨率，本次对于不同层执行了不同的采样策略。

• 在底层增加了一个Max-Pooling层去进行子采样；
• 对于更高的层，增加一个反卷积（Deconv）操作去进行子采样。

每个采样结果后再用一个卷基层处理，卷积操作不仅可以提取更多的语义特征，还可以压缩成一个统一的空间。最后归一化多特征图，并连接它们成为一个输出立方体，其被称为HyperFeature。HyperFeature有一些优点：

• 多层的抽象：灵感来自于神经学，在计算机视觉问题中已被推理，多层是有益的。深度、中间和底层CNN特征是真的可以互补；
• 适当的分辨率：特征图分辨率从1000X600到250X150，其更适合用于检测。 RegionProposal Generation

本次设计了一个简单的ConvNet用于区域后选产生。这个ConvNet包括一个ROI池化层，一个Conv层和一个全连接层（FC），随后有两个相似的输出层。对于每一张图像，这个网络将产生30K后选框并有不同的尺寸和纵横比。

之后的每一个后选框都要分别打分和调整，一些区域之间高度重叠。为了减少冗余，基于它们的得分，在区域中采用贪婪的非极大值抑制。更具体地说，固定IoU阈值在0.7，对每张图像其可以减少1K候选区域。我们训练检测网络的时候用了前200个候选区域。

ObjectDetection

最简单的方式来实现目标检测是通过FC-Dropout-FC-Dropout流水线。基于这个流水线，本次有两个改进：

• FC层之前，添加一个Conv层（3X3X63）去使分类器更强大。而且这个操作减少了一半的特征维度，促进后面的计算；
• Dropout ratio从0.5改变到0.25，我们发现对目标分类更有效果。

检测网络也有两个相似的输出层。不同的是，对于每个候选框，其有(N+1)个输出得分和(4*N)个bounding box回归补偿（其中N是目标类别数目，+1是背景）。

JointTraining

在训练候选区域步骤，我们指定一个二进制标签（是目标或不是目标）。假设IoU阈值高于0.45的为正样本标，低于0.3的为负样本。这样就就可以最小化多任务损失函数：

其中，Lcls是两个类的Softmax损失，Lreg是Bounding Box回归损失，且

R是平滑的L1损失。在候选产生步骤，我们设置

，其意味着更倾向于好的框架定位。

Speedingup

在区域后选产生模块中，ROIs的数量大，大部分处理时间都在这里（大约占总时间的70%），如图3所示：

图3 HyperNet speed up

将3X3X4的卷积层移到ROI池化层前面。这样的改变有两个优点：

• Hyper Feature maps的通道数量显著地降低（126到4）；
• 滑动窗分类器更加简单。

实验

图4 在VOC 2007测试集的Recall和IoU阈值。Left：50个区域后选，Middle：100个区域后选；Right：200个区域后选。

图5 在VOC2007测试集的Recall和后选数量。Left：IoU=0.5；Middle：IoU=0.6；Right：IoU=0.7。

表1 VOC 2007测试集结果（IoU=0.5）

表2 VOC 2012测试集结果

表3 不同层结合策略的后选和检测性能

图6 Hyper Feature可视化

表4 在一个Nvidia TitanX GPU上的测试时间

总结

提出了一个HyperNet框架，共同用于区域后选产生和目标检测。HyperNet提供了一个有效的结合框架，用深度但有更高的语义、中间但互补和底层但自然高分辨率的CNN特征。所提框架的亮点是它可以产生少量的后选区域，但是能得到较高的recalls，其基本的HyperNet和加速的HyperNet都能都达到很好的准确度。

文章名:

HyperNet: Towards Accurate Region Proposal Generation and Joint Object Detection