論文學習-深度學習目標檢測2014至201901綜述-Deep Learning for Generic Object Detection A Survey

深度學習 · 發表 2019-02-14 18:22:00

摘要：部落格： blog.shinelee.me |部落格園 | CSDN 寫在前面 paper： https://arxiv.org/abs/1809.02165 github： https://github.com/hoya012/deep_learning_object_...

部落格： blog.shinelee.me |部落格園 | CSDN

寫在前面

paper： https://arxiv.org/abs/1809.02165

github： https://github.com/hoya012/deep_learning_object_detection，A paper list of object detection using deep learning

這篇綜述對深度學習目標檢測2014至201901取得的進展進行了總結，包括：

More than 250 key contributions are included in this survey, covering many aspects of generic object detection research: leading detection frameworks and fundamental subprob-lems including object feature representation , object proposal generation , context information modeling and training strategies ; evaluation issues , specifically benchmark datasets , evaluation metrics , and state of the art performance .

本文的主要目的在於摘錄paper中的一些重要圖表和結論，作為系統學習的索引，不做詳細的展開。

下面兩張圖來自github，分別為paper list和performance table，紅色為作者認為必讀的paper。

目標檢測任務與挑戰

目標檢測任務的輸入是一張影象，輸出是影象中的物體位置和類別，如下圖所示，位置可通過Bounding Box描述，也可描述為畫素的集合。

為了確定圖片中物體的位置和類別，要面臨很多挑戰，一個好的檢測器要做到 定位準確 、 分類準確 還要 效率高 ，需要對光照、形變、尺度、視角、尺寸、姿態、遮擋、模糊、噪聲等情況魯棒，需要能容忍可能存在的較大的類內差異，又能區分開較小的類間差異，同時還要保證高效。

目標檢測方法彙總

在2012年前，目標檢測方法主要是人工特徵工程+分類器，2012年後主要是基於DCNN的方法，如下圖所示：

目標檢測的框架可以分成2類：

Two stage detection framework ：含region proposal，先獲取ROI，然後對ROI進行識別和迴歸bounding box，以RCNN系列方法為代表。
One stage detection framework ：不含region proposal，將全圖grid化，對每個grid進行識別和迴歸，以YOLO系列方法為代表。

Pipeline對比與演化如下：

主幹網路、檢測框架設計、大規模高質量的資料集是決定檢測效能的3個最重要的因素，決定了學到特徵的好壞以及特徵使用的好壞。

基礎子問題

這一節談論的重點包括：基於DCNN的特徵表示、候選區生成、上下文資訊、訓練策略等。

基於DCNN的特徵表示

主幹網路（network backbone）

ILSVRC（ImageNet Large Scale Visual Recognition Competition）極大促進了DCNN architecture的改進，在計算機視覺的各種任務中，往往將這些經典網路作為主幹網路（backbone），再在其上做各種文章，常用在目標檢測任務中的DCNN architectures如下：

Methods For Improving Object Representation

物體在影象中的尺寸是未知的，圖片中的不同物體尺寸也可能是不同的，而DCNN越深層的感受野越大，因此只在某一層上進行預測顯然是難以達到最優的，一個自然的想法是利用不同層提取到的資訊進行預測，稱之為 multiscale object detection ，可分成3類：

Detecting with combined features of multiple CNN layers
Detecting at multiple CNN layers;
Combinations of the above two methods

直接看圖比較直觀：

嘗試對幾何變形進行建模也是改善Object Representation的一個方向，方法包括結合Deformable Part based Models (DPMs)的方法、Deformable Convolutional Networks (DCN)方法等。

Context Modeling

上下文資訊可以分為3類：

Semantic context : The likelihood of an object to be found in some scenes but not in others;
Spatial context : The likelihood of finding an object in some position and not others with respect to other objects in the scene;
Scale context : Objects have a limited set of sizes relative to other objects in the scene.

DCNN通過學習不同抽象層級的特徵可能已經隱式地使用了contextual information，因此目前的state-of-art目標檢測方法並沒有顯式地利用contextual information，但近來也有一些顯式利用contextual information的DCNN方法，可分為2類：Global context和Local context。