資訊專欄INFORMATION COLUMN
摘要：一項由清華大學計算機系智能技術與系統國家重點實驗室清華國家信息實驗室清華大學計算機科學與技術系英特爾中國研究院清華大學電子工程系的研究人員共同參與的關于高效視覺目標檢測的研究已經被接收。
一項由清華大學計算機系智能技術與系統國家重點實驗室、清華國家信息實驗室、清華大學計算機科學與技術系、英特爾中國研究院、清華大學電子工程系的研究人員共同參與的關于高效視覺目標檢測的研究已經被 CVPR 2017 接收。論文題目是 RON: Reverse Connection with Objectness Prior Networks for Object Detection。研究者包括孔濤、孫富春、Anbang Yao、劉華平、Ming Lu 和陳玉榮。
基于深度網絡的目標對象檢測可以分為 region-based 和 region-free 兩種方法
目標對象檢測領域正在取得重大進展，這主要得益于深度網絡。當前較好的基于深度網絡的目標檢測框架可以分為兩個主要方法流派：基于區域的方法（region-based）和不基于區域（region-free）的方法。
基于區域的方法將對象檢測任務分為兩個子問題：第一階段，將一個專用的候選區域生成網絡（region proposal generation network）嫁接到可以生成高質量候選框的深度卷積神經網絡（CNN）上；然后，在第二階段，一個區域性的子網（region-wise subnetwork）被設計來分類和改進這些候選框。使用非常深的 CNN ，Fast R-CNN 工作流程最近在主流對象檢測基準上顯示出了高精度。
region proposal 階段可以拒絕大多數背景樣本，因此對象檢測的搜索空間大大減少。多階段訓練過程一般是開發用于區域候選生成和后檢測的聯合優化。在 Fast R-CNN 中，區域性子網反復評估成千上萬個 region proposal，以給出檢測分數。在 Fast R-CNN 工作流程下，Faster R-CNN 與檢測網絡共享全圖像卷積特征，實現幾乎零成本的 region proposal。最近，R-FCN 試圖通過添加敏感位置的分數圖，使 Faster R-CNN 的 unshared per RoI 計算可共享。然而，R-FCN 仍然需要區域候選網絡產生的 region proposal。為了確保檢測精度，所有方法都將圖像的大小調整到足夠大的尺寸。在訓練和推理時間內，將圖像投喂給深度網絡時，會有資源和時間的消耗。例如，使用 Faster R-CNN 預測（將約 5GB GPU 內存用于 VGG-16 網絡）每個圖像通常需要 0.2 s。
另一個解決方案是不基于區域（region-free）的方法。這些方法將對象檢測視為一次性（a single shot）問題，使用全卷積網絡（FCN），從圖像像素一直處理到邊界框坐標。這些檢測器的主要優點是效率高。從 YOLO 開始，SSD 試圖用多層深度 CNN 處理物體檢測問題。使用低分辨率輸入，SSD 檢測器可以獲得較先進的檢測結果。然而，這些方法的檢測精度仍有改進的余地：（a）沒有 region proposal，檢測器必須在檢測模塊就要抑制所有的負候選框。這將增加對檢測模塊進行訓練的難度；（b）YOLO 用最頂端的CNN 層檢測物體，沒有深入探索不同層的檢測能力。 SSD 嘗試通過添加前一層的結果來提高檢測性能。然而，SSD 仍然受困于 small instance 的問題，主要是由于中間層的信息有限。這兩個主要瓶頸影響了方法的檢測準確性。
是否能夠結合兩種方法的優勢，并消除其缺點？
這兩個解決方案的成功，也引出了一個關鍵問題：是否可能開發一個能夠巧妙地結合兩種方法的優勢并消除其主要缺點的良好框架？通過彌合基于區域的和不基于區域的方法之間的 gap，研究者對這一問題進行了回答。為了實現這一目標，研究者關注兩個基本問題：（a）多尺度對象定位。各種尺度的物體可能出現在圖像的任何位置，因此應考慮成千上萬個具有不同位置/尺度/方位的區域。先前的研究表明，多尺度表征將顯著改善各種尺度的物體檢測。然而，這些方法總是在網絡的一層檢測到各種尺度的對象。利用研究者提出的反向連接，對象將在其相應的網絡尺度上被檢測到，這更容易優化；（b）負空間挖掘（Negative space mining）。對象和非對象樣本之間的比例嚴重不平衡。因此，對象檢測器應該具有有效的負挖掘策略。為了減少對象搜索空間，研究者在卷積特征圖上創建了 objectness prior，并在訓練階段用檢測器聯合優化。
因此，研究者提出了 RON（Reverse connection with Objectness prior Networks）對象檢測框架，將基于區域和不基于區域的方法的優點聯系起來。
上圖是 RON 對象檢測總覽。給定一張輸入圖像，網絡首先計算骨干網絡的特征。然后，（a）添加反向連接；（b）生成 objectness prior；（c）在相應的 CNN 尺度和位置上檢測物體。
上圖是生成自特定圖像的 objectness prior。在此例中，沙發表現為（a）和（b），棕色的狗表現為（c），斑點狗表現為（d）。在 objectness prior 的引導下，網絡生成了檢測結果。
更多根據圖像生成的 Objectness Prior 圖
摘要
我們提出了 RON，一個有效、高效的通用對象檢測框架。我們的想法是巧妙地結合基于區域（region-based，例如 Faster R-CNN）和不基于區域（region-free，例如 SSD）這兩種方法的優點。在全卷積架構下，RON 主要關注兩個基本問題：（a）多尺度對象定位和（b）負樣本挖掘。為了解決（a），我們設計了反向連接，使網絡能夠檢測多層 CNN 中的對象。為了處理（b），我們提出了 objectness prior，顯著減少對象搜索空間。我們通過多任務損失函數聯合優化了反向連接、objectness prior 和對象檢測，因此RON 可以直接預測各種特征圖所有位置的最終檢測結果。
在PASCAL VOC 2007，PASCAL VOC 2012 和 MS COCO 基準測試的大量實驗證明了 RON 的出色性能。具體來說，使用 VGG-16 和低分辨率 384×384 輸入，網絡在 PASCAL VOC 2007 上獲得 81.3％ mAP，在 PASCAL VOC 2012 數據集上獲得80.7％ mAP。數據集越大，難度越大，優勢就越明顯。在 MS COCO 數據集上的結果就證明了這一點。測試階段使用 1.5G GPU 內存，網絡速度為 15 FPS，比 Faster R-CNN 計數器快 3 倍。
論文地址：https://arxiv.org/abs/1707.01691
商業智能與數據分析群
興趣范圍包括各種讓數據產生價值的辦法，實際應用案例分享與討論，分析工具，ETL工具，數據倉庫，數據挖掘工具，報表系統等全方位知識
QQ群：81035754
文章版權歸作者所有，未經允許請勿轉載,若此文章存在違規行為，您可以聯系管理員刪除。
轉載請注明本文地址：http://m.specialneedsforspecialkids.com/yun/4575.html
摘要：本屆會議共收到論文篇，創下歷史記錄有效篇。會議接收論文篇接收率。大會共有位主旨演講人。同樣，本屆較佳學生論文斯坦福大學的，也是使用深度學習做圖像識別。深度學習選擇深度學習選擇不過，也有人對此表示了擔心。指出，這并不是做學術研究的方法。 2016年的計算機視覺領域國際頂尖會議 Computer Vision and Pattern Recognition conference（CVPR2016...
摘要：目前目標檢測領域的深度學習方法主要分為兩類的目標檢測算法的目標檢測算法。原來多數的目標檢測算法都是只采用深層特征做預測，低層的特征語義信息比較少，但是目標位置準確高層的特征語義信息比較豐富，但是目標位置比較粗略。 目前目標檢測領域的深度學習方法主要分為兩類：two stage的目標檢測算法；one stage的目標檢測算法。前者是先由算法生成一系列作為樣本的候選框，再通過卷積神經網絡進行樣本...
摘要：在本次競賽中，南京信息工程大學和帝國理工學院的團隊獲得了目標檢測的最優成績，最優檢測目標數量為平均較精確率為。最后在視頻目標檢測任務中，帝國理工大學和悉尼大學所組成的團隊取得了較佳表現。 在本次 ImageNet 競賽中，南京信息工程大學和帝國理工學院的團隊 BDAT 獲得了目標檢測的最優成績，最優檢測目標數量為 85、平均較精確率為 0.732227。而在目標定位任務中Momenta和牛津...
摘要：何愷明和兩位大神最近提出非局部操作為解決視頻處理中時空域的長距離依賴打開了新的方向。何愷明等人提出新的非局部通用網絡結構，超越。殘差連接是何愷明在他的年較佳論文中提出的。 Facebook何愷明和RGB兩位大神最近提出非局部操作non-local operations為解決視頻處理中時空域的長距離依賴打開了新的方向。文章采用圖像去噪中常用的非局部平均的思想處理局部特征與全圖特征點的關系。這種...
摘要：在過去幾年中，深度學習改變了整個人工智能的發展。在本文中，我將介紹年深度學習的一些主要進展，與年深度學習進展版本一樣，我沒有辦法進行詳盡的審查。最后的想法與去年的情況一樣，年深度學習技術的使用持續增加。 在過去幾年中，深度學習改變了整個人工智能的發展。深度學習技術已經開始在醫療保健，金融，人力資源，零售，地震檢測和自動駕駛汽車等領域的應用程序中出現。至于現有的成果表現也一直在穩步提高。在學術...
閱讀 385·2023-04-25 16:38
閱讀 1498·2021-09-26 09:46
閱讀 3344·2021-09-08 09:35
閱讀 2794·2019-08-30 12:54
閱讀 3262·2019-08-29 17:06
閱讀 1033·2019-08-29 14:06
閱讀 3356·2019-08-29 13:00
閱讀 3475·2019-08-28 17:53
