知名网站制作案例,台州网站设计 解放路,建筑设计资质,电脑从做系统怎么找回以前登录的网站作者#xff1a;Nabil MADALI来源#xff1a;AI公园编译#xff1a;ronghuaiyang在深度学习目标检测中#xff0c;特别是人脸检测中#xff0c;由于分辨率低、图像模糊、信息少、噪声多#xff0c;小目标和小人脸的检测一直是一个实用和常见的难点问题。然而#xff0c;… 作者Nabil MADALI来源AI公园编译ronghuaiyang在深度学习目标检测中特别是人脸检测中由于分辨率低、图像模糊、信息少、噪声多小目标和小人脸的检测一直是一个实用和常见的难点问题。然而在过去几年的发展中也出现了一些提高小目标检测性能的解决方案。本文将对这些方法进行分析、整理和总结。图像金字塔和多尺度滑动窗口检测一开始在深学习方法成为流行之前对于不同尺度的目标通常是从原始图像开始使用不同的分辨率构建图像金字塔然后使用分类器对金字塔的每一层进行滑动窗口的目标检测。在著名的人脸检测器MTCNN中使用图像金字塔法检测不同分辨率的人脸目标。然而这种方法通常是缓慢的虽然构建图像金字塔可以使用卷积核分离加速或简单粗暴地缩放但仍需要做多个特征提取后来有人借其想法想出一个特征金字塔网络FPN在不同层融合特征只需要一次正向计算不需要缩放图片。它也被应用于小目标检测这将在后面的文章中讨论。简单粗暴和可靠的数据增强通过增加训练集中小目标样本的种类和数量也可以提高小目标检测的性能。有两种简单而粗糙的方法针对COCO数据集中含有小目标的图片数量较少的问题使用过采样策略不同采样比的实验。我们观察到不管检测小目标的比率是多少过采样都有帮助。这个比例使我们能够在大小物体之间做出权衡。针对同一张图片中小目标数量少的问题使用分割mask切出小目标图像然后使用复制和粘贴方法(当然再加一些旋转和缩放)。通过复制粘贴小目标来实现人工增强的例子。正如我们在这些例子中所观察到的粘贴在同一幅图像上可以获得正确的小目标的周围环境。在Anchor策略方法中如果同一幅图中有更多的小目标则会匹配更多的正样本。与ground truth物体相匹配的不同尺度anchor示意图小的目标匹配到更少的anchor。为了克服这一问题我们提出通过复制粘贴小目标来人工增强图像使训练过程中有更多的anchor与小目标匹配。特征融合FPN不同阶段的特征图对应不同的感受野其所表达的信息抽象程度也不同。浅层特征图感受野小更适合检测小目标深层特征图较大更适合检测大目标。因此有人提出将不同阶段的特征映射整合在一起来提高目标检测性能称之为特征金字塔网络FPN。(a)利用图像金字塔建立特征金字塔。特征的计算是在每个图像的尺度上独立进行的这是很缓慢的。(b)最近的检测系统选择只使用单一尺度的特征以更快地检测。另一种选择是重用由ConvNet计算出的金字塔特征层次结构就好像它是一个特征图金字塔。(d)我们提出的特征金字塔网络(FPN)与(b)和©一样快但更准确。在这个图中特征图用蓝色轮廓线表示较粗的轮廓线表示语义上较强的特征。由于可以通过融合不同分辨率的特征图来提高特征的丰富度和信息含量来检测不同大小的目标自然会有人进一步猜测如果只检测高分辨率的特征图(浅层特征)来检测小人脸使用中分辨率特征图(中间特征)来检测大的脸。SSH的网络结构合适的训练方法SNIP, SNIPER, SAN在机器学习中有一点很重要模型预训练的分布应该尽可能接近测试输入的分布。因此在大分辨率(如常见的224 x 224)下训练的模型不适合检测小分辨率的图像然后放大并输入到模型中。如果输入的是小分辨率的图像则在小分辨率的图像上训练模型如果没有则应该先用大分辨率的图片训练模型然后再用小分辨率的图片进行微调最坏的情况是直接使用大分辨率的图像来预测小分辨率的图像(通过上采样放大)。因此在实际应用中对输入图像进行放大并进行高速率的图像预训练然后对小图像进行微调比针对小目标训练分类器效果更好。所有的图都报告了ImageNet分类数据集验证集的准确性。我们对48、64、80等分辨率的图像进行上采样在图(a)中绘制出预训练的ResNet-101分类器的Top-1精度。图(b、c)分别为原始图像分辨率为48,96像素时不同cnn的结果。更密集的Anchor采样和匹配策略S3FD, FaceBoxes如前面的数据增强部分所述将一个小目标复制到图片中的多个位置可以增加小目标匹配的anchor数量增加小目标的训练权重减少网络对大目标的偏置。同样在逆向思维中如果数据集已经确定我们也可以增加负责小目标的anchor的设置策略使训练过程中对小目标的学习更加充分。例如在FaceBoxes中其中一个贡献是anchor策略。Anchor变的密集例子。为了清晰起见我们只对一个感受野中心(即中央黑色网格)密集化锚点并只给对角锚点上色。Anchor密集化策略使不同类型的anchor在图像上具有相同的密度显著提高小人脸的召回率。总结本文较详细地总结了一般目标检测和特殊人脸检测中常见的小目标检测解决方案。英文原文https://medium.datadriveninvestor.com/how-to-deal-with-small-objects-in-object-detection-44d28d136cbc未来智能实验室的主要工作包括建立AI智能系统智商评测体系开展世界人工智能智商评测开展互联网城市云脑研究计划构建互联网城市云脑技术和企业图谱为提升企业行业与城市的智能水平服务。 如果您对实验室的研究感兴趣欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”
