3S Market「全球智慧科技應用」市場資訊網: ．詳解電腦視覺五大技術：圖像分類、對象檢測、目標跟蹤、語義分割和實例分割...

How Computer Vision works:

Object Detection and Segmentation

with Mask R-CNN

康橋科技 —— 白光攝影機專業廠商！

AI科技大本营譯者 | 王柯凝出品 | AI科技大本营（公众号ID：rgznai100）

【 AI 科技大本營導讀】目前，電腦視覺是深度學習領域，最熱門的研究領域之一。

電腦視覺實際上是一個跨領域的交叉學科，包括電腦科學（圖形、算法、理論、系統、體系結構），數學（資訊檢索、機器學習），工程學（機器人、語音、自然語言處理、圖像處理），物理學（光學），生物學（神經科學）和心理學（認知科學）等等。

許多科學家認為，電腦視覺為人工智慧的發展開拓了道路。

那麼什麼是電腦視覺呢？這裡給出了幾個比較嚴謹的定義：

✦ 「對圖像中的客觀對象建構明確而有意義的描述」（Ballard＆Brown，1982）

✦ 「從一個或多個數位圖像中計算 3D 世界的特性」（Trucco＆Verri，1998）

✦ 「基於感知圖像做出對客觀對象和場景有用的決策」（Sockman＆Shapiro，2001）

▌為什麼要學習電腦視覺？

一個顯而易見的答案就是，這個研究領域已經衍生出了一大批快速成長的、有實際作用的應用，例如：

人臉辨識： Snapchat 和 Facebook 使用人臉檢測算法來辨識人臉。

圖像檢索：Google Images 使用基於內容的查詢來搜索相關圖片，算法分析查詢圖像中的內容，並根據最佳匹配內容返回結果。

遊戲和控制：使用立體視覺較為成功的遊戲應用產品是：微軟 Kinect。

監測：用於監測可疑行為的監視攝影機，遍佈於各大公共場所中。

生物辨識技術：指紋、虹膜和人臉匹配，仍然是生物辨識領域的一些常用方法。

智慧汽車：電腦視覺仍然是檢測交通標誌、燈光和其他視覺特徵的主要資訊來源。

視覺辨識是電腦視覺的關鍵組成部分，如圖像分類、定位和檢測。神經網路和深度學習的最新進展，極大地推動了這些，最先進的視覺辨識系統的發展。

在本文中，將分享 5 種主要的辨識視覺技術，並介紹幾種基於電腦視覺技術的深度學習模型與應用。

▌1 、圖像分類

給定一組各自被標記為單一類別的圖像，我們對一組新的測試圖像的類別進行預測，並測量預測的準確性結果，這就是圖像分類問題。圖像分類問題，需要面臨以下幾個挑戰☟☟☟：

視點變化、尺度變化、類內變化、圖像變形、圖像遮擋、照明條件和背景雜斑

我們怎樣來編寫一個圖像分類算法呢？

電腦視覺研究人員，提出了一種基於數據驅動的方法。

該算法並不是直接在代碼中，指定每個感興趣的圖像類別，而是為電腦每個圖像類別，都提供許多示例，然後設計一個學習算法，查看這些示例並學習每個類別的視覺外觀。

也就是說，首先累積一個帶有標記圖像的訓練集，然後將其輸入到電腦中，由電腦來處理這些數據。

因此，可以按照下面的步驟來分解：

輸入是由 N 個圖像組成的訓練集，共有 K 個類別，每個圖像都被標記為其中一個類別。

然後，使用該訓練集訓練一個分類器，來學習每個類別的外部特徵。

最後，預測一組新圖像的類標籤，評估分類器的性能，我們用分類器預測的類別標籤，與其真實的類別標籤進行比較。

目前較為流行的圖像分類架構，是卷積神經網路（CNN）——將圖像送入網路，然後網路對圖像數據進行分類。卷積神經網路從輸入「掃描儀」開始，該輸入「掃描儀」也不會一次性解析所有的訓練數據。

比如輸入一個大小為 100*100 的圖像，你也不需要一個有 10,000 個節點的網路層。相反，你只需要創建一個大小為 10 *10 的掃描輸入層，掃描圖像的前 10*10 個像素。然後，掃描儀向右移動一個像素，再掃描下一個 10 *10 的像素，這就是滑動窗口。

輸入數據被送入卷積層，而不是普通層。每個節點只需要處理離自己最近的鄰近節點，卷積層也隨著掃描的深入，而趨於收縮。除了卷積層之外，通常還會有池化層。池化是過濾細節的一種方法，常見的池化技術是最大池化，它用大小為 2*2 的矩陣傳遞，擁有最多特定屬性的像素。

現在，大部分圖像分類技術，都是在 ImageNet 數據集上訓練的， ImageNet 數據集中，包含了約 120 萬張高解析度訓練圖像。測試圖像沒有初始注釋（即沒有分割或標籤），並且算法必須產生標籤，來指定圖像中存在哪些對象。

現存的很多電腦視覺算法，都是被來自牛津、 INRIA 和 XRCE 等頂級的電腦視覺團隊，在 ImageNet 數據集上實現的。通常來說，電腦視覺系統使用複雜的多級管道，並且，早期階段的算法都，是通過優化幾個參數，來手動微調的。

第一屆 ImageNet 競賽的獲獎者是 Alex Krizhevsky（NIPS 2012），他在 Yann LeCun 開創的神經網路類型基礎上，設計了一個深度卷積神經網路。

該網路架構除了一些最大池化層外，還包含 7 個隱藏層，前幾層是卷積層，最後兩層是全連接層。在每個隱藏層內，激活函數為線性的，要比邏輯單元的訓練速度更快、性能更好。

除此之外，當附近的單元有更強的活動時，它還使用競爭性標準化來壓制隱藏活動，這有助於強度的變化。

就硬體要求而言， Alex 在 2 個 Nvidia GTX 580 GPU （速度超過 1000 個快速的小內核）上實現了非常高效的卷積網路。 GPU 非常適合矩陣間的乘法，且有非常高的暫存記憶體頻寬。這使他能在一周內完成訓練，並在測試時快速的從 10 個塊中組合出結果。如果我們能夠以足夠快的速度傳輸狀態，就可以將網路分布在多個內核上。

隨著內核越來越便宜，數據集越來越大，大型神經網路的速度，要比老式電腦視覺系統更快。在這之後，已經有很多種使用卷積神經網路作為核心，並取得優秀成果的模型，如 ZFNet（2013），GoogLeNet（2014）， VGGNet（2014）， RESNET（2015），DenseNet（2016）等。

▌2 、對象檢測

辨識圖像中的對象這一任務，通常會涉及到為各個對象輸出邊界框和標籤。這不同於分類/定位任務 —— 對很多對象進行分類和定位，而不僅僅是對個主體對象進行分類和定位。

在對象檢測中，你只有 2 個對象分類類別，即對象邊界框和非對象邊界框。例如，在汽車檢測中，你必須使用邊界框檢測所給定圖像中的所有汽車。

如果使用圖像分類和定位圖像，這樣的滑動窗口技術，我們則需要將卷積神經網路，應用於圖像上的很多不同物體上。由於卷積神經網路會將圖像中的每個物體，辨識為對象或背景，因此我們需要在大量的位置和規模上，使用卷積神經網路，但是這需要很大的計算量！

為瞭解決這一問題，神經網路研究人員建議使用區域（Region）這一概念，這樣我們就會找到，可能包含對象的「斑點」圖像區域，這樣運行速度就會大大提高。第一種模型是採用區域的卷積神經網路（ R-CNN ），其算法原理如下：

在 R-CNN 中，首先使用選擇性搜索算法掃描輸入圖像，尋找其中的可能對象，從而生成大約 2,000 個區域建議；

然後，在這些區域建議上，運行一個卷積神網路；

最後，將每個卷積神經網路的輸出，傳給支持向量機（ SVM ），使用一個線性回歸收緊對象的邊界框。

實質上，我們將對象檢測，轉換為一個圖像分類問題。但是也存在這些問題：訓練速度慢，需要大量的磁碟空間，推理速度也很慢。

R-CNN 的第一個升級版本是 Fast R-CNN，透過使用了 2 次增強，大大提了檢測速度：

在建議區域之前進行特徵提取，因此在整幅圖像上，只能運行一次卷積神經網路；

用一個 Softmax 層代替支持向量機，對用於預測的神經網路進行擴展，而不是創建一個新的模型。

Fast R-CNN 的運行速度要比 R-CNN 快的多，因為在一幅圖像上，它只能訓練一個 CNN 。但是，擇性搜索算法生成區域，提議仍然要花費大量時間。

Faster R-CNN ，是基於深度學習對象檢測的一個典型案例。

該算法用一個快速神經網路，代替了運算速度很慢的選擇性搜索算法：透過插入區域提議網路（ RPN ），來預測來自特徵的建議。 RPN 決定查看「哪裡」，這樣可以減少整個推理過程的計算量。

RPN 快速且高效地掃描每一個位置，來評估在給定的區域內，是否需要作進一步處理，其實現方式如下：透過輸出 k 個邊界框建議，每個邊界框建議都有 2 個值 —— 代表每個位置包含目標對象，和不包含目標對象的機率。

一旦我們有了區域建議，就直接將它們送入 Fast R-CNN 。並且，我們還添加了一個池化層、一些全連接層、一個 Softmax 分類層，以及一個邊界框回歸器。

總之，Faster R-CNN 的速度和準確度更高。值得注意的是，雖然以後的模型，在提高檢測速度方面，做了很多工作，但很少有模型，能夠大幅度的超越 Faster R-CNN 。換句話說， Faster R-CNN 可能不是最簡單，或最快速的目標檢測方法，但仍然是性能最好的方法之一。

近年來，主要的目標檢測算法已經轉向更快、更高效的檢測系統。這種趨勢在 You Only Look Once（YOLO），Single Shot MultiBox Detector（SSD）和基於區域的全卷積網路（ R-FCN ）算法中尤為明顯，這三種算法轉向在整個圖像上共享計算。因此，這三種算法和上述的 3 種造價較高的 R-CNN 技術有所不同。

▌3 、目標跟蹤

目標跟蹤，是指在特定場景，跟蹤某一個或多個，特定感興趣對象的過程。傳統的應用就是影像和真實世界的交互，在檢測到初始對象之後進行觀察。現在，目標跟蹤在無人駕駛領域也很重要，例如 Uber 和特斯拉等公司的無人駕駛。

根據觀察模型，目標跟蹤算法可分成 2 類：生成算法和判別算法。

生成算法使用生成模型來描述表觀特徵，並將重建誤差最小化，來搜索目標，如主成分分析算法（ PCA ）；

判別算法用來區分物體和背景，其性能更穩健，並逐漸成為跟蹤對象的主要手段（判別算法也稱為 Tracking-by-Detection ，深度學習也屬於這一範疇）。

為了透過檢測實現跟蹤，我們檢測所有幀的候選對象，並使用深度學習，從候選對象中，辨識想要的對象。有兩種可以使用的基本網路模型：堆疊自動編碼器（ SAE ）和卷積神經網路（ CNN ）。

目前，最流行的使用 SAE ，進行目標跟蹤的網路，是 Deep Learning Tracker（DLT），它使用了離線預訓練和在線微調。其過程如下：

離線無監督預訓練，使用大規模自然圖像數據集，獲得通用的目標對象表示，對堆疊去噪自動編碼器進行預訓練。堆疊去噪自動編碼器在輸入圖像中，添加噪聲並重構原始圖像，可以獲得更強大的特徵表述能力。

將預訓練網路的編碼部分，與分類器合併，得到分類網路，然後使用從初始幀中獲得的正負樣本，對網路進行微調，來區分當前的對象和背景。

DLT 使用粒子濾波作為意向模型（motion model），生成當前幀的候選塊。分類網路輸出這些塊的概率值，即分類的置信度，然後選擇置信度最高的塊作為對象。

在模型更新中， DLT 使用有限閾值（臨界值）。

鑒於 CNN 在圖像分類和目標檢測方面的優勢，它已成為電腦視覺和視覺跟蹤的主流深度模型。一般來說，大規模的卷積神經網路，既可以作為分類器和跟蹤器來訓練。

具有代表性的基於卷積神經網路的跟蹤算法，有全卷積網路跟蹤器（ FCNT ）和多域卷積神經網路（ MD Net ）。

FCNT 充分分析並利用了 VGG 模型中的特徵映射，這是一種預先訓練好的 ImageNet 數據集，並有如下效果：

卷積神經網路特徵映射，可用於定位和跟蹤。

對於從背景中區分特定對象這一任務來說，很多卷積神經網路特徵映射，是噪音或不相關的。

較高層捕獲對象類別的語義概念，而較低層編碼更多的具有區性的特徵，來捕獲類別內的變形。

因此， FCNT 設計了特徵選擇網路，在 VGG 網路的卷積 4-3 和卷積 5-3 層上，選擇最相關的特徵映射。然後為避免噪音的過擬合， FCNT 還為這兩個層的選擇特徵映射，單獨設計了兩個額外的通道（即 SNet 和 GNet ）： GNet 捕獲對象的類別資訊； SNet 將該對象從具有相似外觀的背景中區分出來。

這兩個網路的運作流程如下：都使用第一幀中給定的邊界框進行初始化，以獲取對象的映射。而對於新的幀，對其進行剪切並傳輸最後一幀中的感興趣區域，該感興趣區域是以目標對象為中心。

最後，透過 SNet 和 GNet ，分類器得到兩個預測熱映射，而跟蹤器根據是否存在干擾資訊，來決定使用哪張熱映射生成的跟蹤結果。 FCNT 的圖如下所示。

與 FCNT 的思路不同， MD Net 使用影像的所有序列，來跟蹤對象的移動。上述網路使用不相關的圖像數據，來減少跟蹤數據的訓練需求，並且這種想法與跟蹤有一些偏差。

該影像中的一個類的對象，可以是另一個影像中的背景，因此， MD Net 提出了「多域」這一概念，它能夠在每個域中，獨立的區分對象和背景，而一個域表示一組包含相同類型對象的影像。

如下圖所示， MD Net 可分為兩個部分，即 K 個特定目標分支層和共享層：每個分支包含一個具有 Softmax 損失的二進制分類層，用於區分每個域中的對象和背景；共享層與所有域共享，以保證通用表示。

近年來，深度學習研究人員嘗試使用了不同的方法，來適應視覺跟蹤任務的特徵，並且已經探索了很多方法：

應用到諸如循環神經網路（ RNN ）和深度信念網路（DBN ）等其他網路模型；設計網路結構來適應影像處理，和端到端學習，優化流程、結構和參數；或者將深度學習與傳統的電腦視覺，或其他領域的方法（如語言處理和語音辨識）相結合。

▌4、語義分割

電腦視覺的核心是分割，它將整個圖像分成一個個像素組，然後對其進行標記和分類。特別地，語義分割試圖在語義上，理解圖像中每個像素的角色（比如，辨識它是汽車、摩托車還是其他的類別）。

如上圖所示，除了辨識人、道路、汽車、樹木等之外，我們還必須確定每個物體的邊界。因此，與分類不同，我們需要用模型對密集的像素進行預測。

與其他電腦視覺任務一樣，卷積神經網路在分割任務上，取得了巨大成功。最流行的原始方法之一，是透過滑動窗口進行塊分類，利用每個像素周圍的圖像塊，對每個像素分別進行分類。但是其計算效率非常低，因為我們不能在重疊塊之間，重用共享特徵。

解決方案就是加州大學伯克萊分校提出的全卷積網路（ FCN ），它提出了端到端的卷積神經網路體系結構，在沒有任何全連接層的情況下，進行密集預測。

這種方法允許針對任何尺寸的圖像生成分割映射，並且比塊分類算法快得多，幾乎後續所有的語義分割算法，都採用了這種範式。

但是，這也仍然存在一個問題：在原始圖像解析度上，進行卷積運算非常昂貴。為瞭解決這個問題， FCN 在網路內部使用了下採樣和上採樣：下採樣層被稱為條紋卷積（ striped convolution ）；而上採樣層被稱為反卷積（ transposed convolution ）。

儘管採用了上採樣和下採樣層，但由於池化期間的資訊丟失， FCN 會生成比較粗糙的分割映射。 SegNet 是一種比 FCN （使用最大池化和編碼解碼框架）更高效的內存架構。在 SegNet 解碼技術中，從更高解析度的特徵映射中，引入了 shortcut/skip connections ，以改善上採樣和下採樣後的粗糙分割映射。