【《基于Faster R-CNN的视频目标检测案例分析》2900字】

基于FasterR-CNN的视频目标检测案例分析目录TOC\o"1-3"\h\u4318基于FasterR-CNN的视频目标检测案例分析 [14]。这种退化并不是由于过拟合（overfit）引起的，因为过拟合的情况下训练集的准确率应该很高，但如果为一个合适的深度模型添加层数同样会导致训练误差增加。因此在2015年，何凯明等人针对这个问题提出了一种全新的网络，也就是深度残差网络（Deepresidualnetwork,ResNet），该网络可以有效提高网络深度，其中引入了全新的结构架构，在ILSVRC2015图像分类和定位比赛中取得第一名。区别于AlexNet、VGGNet与GoogLeNet等的串行结构，ResNet网络模型通过引入残差（residual）块，在层间建立跨层的数据通道，使得梯度可以跨层向前传播，有效地改善了梯度消失的问题。图1.220层与56层网络在CIFAR-10上的误差ResNet的核心设计是残差模块，使用了一种叫做短路连接（shortcutconnection）的连接方式：当输入为x时，其学习到的特征记为H（x），现在将残差记为F(x)=H（x）−x，所以原始的学习特征是H（x）=F(x)+x。当残差为0时，此时堆积层仅仅做了恒等映射（identitymapping），至少网络性能不会下降，实际上残差不会为0，这也会使得堆积层在输入特征基础上学习到新的特征，从而拥有更好的性能，这有点类似与电路中的“短路”，因此叫做短路连接。具体的结构如图1.3所示。图1.3残差学习单元结构图在ResNet网络结构中会用到两种残差模块，一种是以两个3*3的卷积网络串接在一起作为一个残差模块，另外一种是1*1、3*3、1*1的3个卷积网络串接在一起作为一个残差模块，他们如图1.4所示。本文所使用的ResNet101结构为图右侧。图1.4两种不同的残差模块区别于GoogLeNet等，ResNet的设计中不仅提出并使用了残差块，而且延用了VGG的设计思想使用3*3的卷积层提取特征。由于结构单元简单，修改也较为方便，因此ResNet被迅速地研究与使用，并深刻影响了后来的卷积神经网络设计。1.1.3候选区域提取网络RPN整个RPN网络的结构如图1.5所示，在得到图像的特征图之后，RPN网络对特征图上的每个点进行锚点操作，并以该点为中心，输出k个窗口作为目标候选区(anchor)，通常k=9，分别包含1:1、2:1、1:2三种不同的长宽比例和642,2562,5122三种不同的面积大小，这样就能检测出不同大小的目标物体。通常每个特征点都会融合周围的特征，也就是邻近窗口的特征（slidingwindow），大小通常为3*3，同时使用一定大小卷积核对特征图进行卷积运算，最终特征图上的每个点大小都为256维。分类层生成2k个得分，因为每个目标候选区需要2个得分，分别标记其包含真实目标的概率（foreground）和属于背景的概率（background），总有k个目标候选区，所有共有2k个得分。同理，每个目标候选区需要4个参数来进行边框回归，故定位层共生成4k个坐标。图1.5RPN网络结构示意图对于RPN网络的计算流程，则如图1.6所示。卷积层得到的特征图进入RPN网络后会进入两条分支：分类网络和定位网络。通过分类网络可以对真实目标出现于候选区域的可能进行判断，而通过定位网络可以设置边框回归的参数，参数的数量为4个。综合运用两种网络能够将超出大小以及背景等的候选区域剔除，最终输出的候选区域必然会存在所需检测的目标。图1.6RPN网络计算流程RPN网络的训练损失包含两部分：分类损失和定位损失。损失函数L的计算公式如公式1.1所示。其中中i为目标候选区的索引，pi为预测概率，pi∗为对应真实框GT的概率，其值要么是0，要么是1，t∗为真实的边框回归参数，ti为预测的边框回归参数，两项误差用λ调节，防止单一误差项贡献过大。NLpi,1.2实验部分1.2.1实验设计本文模型首先在ImageNet分类数据集上进行预训练，整个FasterR-CNN检测模型在ImageNetVID训练集以及ImageNetDET训练集上训练，训练一共经历4个时期（epoch），前两个epoch的学习率为5*10-4,第三个epoch的学习率为5*10-5，第四个epoch的学习率为5*10-6，最后在ImageNetVID测试集上进行测试，得到定量结果；使用训练好的模型对样例视频进行检测，得到定性结果。1.2.2公开数据集实验结果本实验使用的数据集是ImageNetVID训练集以及ImageNetDET训练集中和VID相同的30个类这个子集，使用的评价标准mAP在本章已经介绍，使用的算法是FasterR-CNN。算法最终得到的定量结果如表1.1所示，其中Time为单帧检测时间。定性结果如图1.7所示。由表1.1和图1.7可知算法的平均准确率mAP为69.72%，单帧检测时间Time为108ms。表1.1使用FasterR-CNN算法在公开数据集上的定量结果FasterR-CNNmAP69.72%Time108msa示例一b示例二c示例三图1.7使用FasterR-CNN算法在公开数据集上的定性结果1.3小结本章主要介绍了本文主要研究的FasterR-CNN算法。它针对FastR-CNN