用深度学习“扫雷”——大白话SSD物体检测的原理

NXP管管 · 发表于 2022-2-11 17:14:15

在上一个“深度学**深井”的故事里，聊到客户基于官方的SSD（单发多框检测器）模型巨幅瘦身成”SlimSSD”而成功实现水表表盘检测的故事。

而另一篇关于多人体检测的demo，也是物体检测模型的一个生动的应用。
似乎大家都不约而同地开始从图像分类模型转向物体检测模型——主要还是因为它方便实用，不需要用其它手段找到分类区域，而是交给人工智能来完成。
在“深井”文里小编留下了一个梗，就是SSD模型是如何工作的，这一次咱们就把它填平。

从扫雷说起

假如你被派去扫除一片矩形的雷区，地雷有大有小，形状各异，数量不明，但相同点是它们都是“铁西瓜”。另外，没有像扫雷游戏中“浪漫”的智能提示一块地皮周边有多少个雷，你只能暴力穷举。

你的装备是一架无人机和很多个磁铁做的矩形探框，探框有多种形状和多种尺寸。

无人机可以把这些探框播撒在地面上。每个探框都安装了磁力传感器：如果一个地雷的外接框和探框相交的面积，超过两者总共占地面积的一半，探框就会报警，并且相交的比例越大报警声音越大；但如果探框太大、太小、太偏则不能报警。

比如，下图显示了3种尺寸的探框，每种尺寸有3种形状。对于某种地雷，蓝虚线表示没有报警的探框，红实线表示报警的探框：

左上角的探框太小，右上角的探框太大，都不能触发感应装置报警。而左下角的探框虽然大小合适，但没有投放准确，也无法报警。只有右下角的一组探框准确地盖住了地雷，并且有两个因为面积合适而成功报警。

那如果是手雷呢，它比上面的地雷要小，形状也不同，比如下图：

和上次“矮胖”的地雷相比，这次是“瘦高”的地雷，就只有瘦高的探框能成功报警了，并且也是由小尺寸的探框查出来的。当然了，其实正方形的探框原本也有机会，只是框得不是特别准——现实情况也如此，哪有那么好的运气每次都很准呢。

那是不是也有让探框无法报警的情况呢？且看下图：

很不幸，雷区中还埋有没有引爆的飞机上投下来的炸弹。而炸弹的形状过于细长，以致于无论是“站着”还是“躺着”都能瞒过所有尺寸、形状和位置的探框！如果有人从这里过的话……
总结一下，要想让探框能成功地扫清雷区，需要同时满足以下条件：
需要多做几种大小的探框（避免大小不合适）
需要多做几种不同形状的探框（避免形状不合适）
无人机需要在整个雷区均匀而稠密地播撒探框（避免有的雷没有被有效盖到）

从探框到锚框

有了前面对探框扫雷的铺垫，现在该引出正题了，就是“锚框”思想。
锚框和探框的用法基本相同，最主要的区别如下：
探框是在“原始”输入下播撒的，而锚框是要在经过一番卷积和池化后下采样的特征图上播撒，密度是每个像素播撒多种形状和尺寸的锚框，同一形状（比如正方形）在同一特征图上也允许有多个尺寸（见下图，每个特征图上有两种不同大小的正方形锚框）。
探框只在一个原始输入尺寸上播撒，而锚框在多个下采样级别的特征图上播撒，并且不同大小的特征图可以播撒不同大小和不同形状的锚框。不过，实践时一般是先定义一系列形状和尺寸的锚框，然后在不同的特征图上放缩不同倍数。
常见的情况是在3-6个特征图上播撒锚框，每个特征图的各像素上播撒3-6个大小和形状各异的锚框，所有像素一视同仁。
一般而言，面积越小的特征图就负责检测体型越大的物体，但具体安排要根据待检物体的形状、大小、姿势而定，如果不合理的话会出现类似上面扫雷例子里漏下很多雷的情况，会严重破坏检测效果。
下图是来自经典的SSD论文里对锚框的解释，小编添加了内联注解：

倘若上图的地上还有一些蟑螂的话，显然这种尺寸的锚框是检测不到的。

那么，有了这种“天网恢恢”般稠密的锚框，如何使用它们呢？请接着往下看。

使用锚框来检测物体

虽然锚框和前面引子的探框有相似之处，但细一品，就算是模型学到了哪些锚框是“报警的探框”，但似乎还不够，比如，读者小伙伴们肯定想到了两个问题：
真实物体可能有多种类型，不只是指出“这是个物体”就够了。
真实物体的外接矩形的形状是千差万别的，仅知道物体被哪个锚框套住还不足以准确地知晓物体的形状。
恭喜您，已经成功地准确定义了物体检测的明细任务，这也是物体检测模型要学到的。不同模型架构使用锚框的方法不尽相同，下面还是拿SSD来说事。

SSD如何给出相对于锚框的物体信息

SSD从两个方面来给出检测结果，检测结果是对各个锚框而言的
(分类结果)各锚框中的物体在各个类别下的概率。这里还包含背景的概率。所以对于检测N类物体的SSD模型，实际是分了N+1个类别。
(定位结果)各锚框如何通过“小幅漂移和变形”而准确框住物体，这需要给出4个编码后的位移量。
其中，分类结果和图像分类的表达方式相同，都是加和为1的各类概率，实际使用时只需找到符合预设阈值的最大的。对于定位结果，需要说明的是，编码关系并不是简单的位移，而是有点小复杂（为了易于训练），这里就不拿出来晕惑人了。

下图给出了SSD模型的一般化模式图：

图中上半的“骨干”部分一般是来自某个图像分类模型的卷积神经子网，它们常常借助分类器（图中金色虚线框）来训练，训练完毕后丢掉分类器即可。

骨干网络中一般有很多层，这些层往往以相同的模式重复。SSD模型需要选择几个不同尺度的特征图并引出来，分别作分类和定位的处理，这两者也是通过接上一小段卷积神经网络实现的。最后再把分类结果和定位结果汇聚(concatenation)在一起，送给后处理阶段，用于从大量的锚框中筛选出最具代表性的（分类置信度最高并且套住不同物体）少部分。

SSD模型的后处理

前面说到，SSD在好几个尺度的特征图上逐像素播撒多个形状和尺寸的锚框。这种广撒网式简单粗暴的暴搜常常产生成千上万个锚框。这也是SSD能检测密集物体的“基因“所在。不过，即使是密集物体也往往远远少于成千上万个，更何况很多应用只检测几个甚至一个物体。这就需要对锚框做筛选，这就是后处理操作，后处理是通过“非最大值抑制(NMS)”算法实现的。通俗地说大概是每个物体边上都会扎堆很多锚框，还有不少没有框住物体的锚框在游荡，NMS就是从每个扎堆的框中挑出占位最正的一个并且清理游荡的锚框，具体地说大概分3步：
从分类支中得到各锚框的类别，从预铺的锚框中筛选出模型足够肯定有物体的框（类别置信度足够高），删除余下的“游荡”者
挑出当前置信度最大的（占坑最正的）框，根据定位支给出的“小幅变形与漂移”结果，删除在这个框附近“扎堆”的其它框；通过相交面积除以总占地面积来判断(IoU)
重复这个过程直到所有锚框处理完毕或者达到预设的检出物体上限
上面NMS的效果可以由下图形象地表示，其中灰色的虚线框是没能框住物体的“游荡者”，蓝色虚拟框是框住物体但因为分类不肯定而淘汰的，红色实线框是最终留下来的：

需要强调的是：能留下来的不一定是真正最准的那个，而是分类置信度最高的。比如图中特意标出一个金色的被淘汰的锚框，虽然它框得最准，奈何分类置信度不够高，仍然被红色的不是那么准的那个“小人得志”，导致这种情况的原因可能是模型没有训练好，也可能是数据集标注不准。

SSD模型的质量评价

（损失函数设计理念）

包括SSD在内的任何物体检测模型都主要由以下4大能力来评价它们的质量：
查出物体的能力：给出有/无物体的置信度
过滤背景的能力：给出是不是背景的置信度
套准物体的能力：给出物体外接矩形框的坐标
分辨物种的能力：判断物体属于各类别的概率
用四个字表示，就是“查、滤、套、辨”。

上述能力带权加和作为最终的评价分数。而训练的目标，就是调整模型中的参数以尽量提高这个分数（真实操作是取分数的负值作为“损失函数”并且最小化之）。

上面四大能力也体现在SSD的损失函数定义中了，尽管公式有一点小复杂。值得说明的是SSD的“查物”和“分类”的能力是合在一起由各类别的预测概率给出的——与之相对的是YOLOv1模型把“查物”和“分类”区别对待。

下回预告——具体的SSD例子

介绍完了SSD的工作原理，一不小心篇幅已经相当长了。那就容小编在下次和小伙伴们细细道来吧，这里先简单“剧透”一下，这是一个顶视图的人体检测例子，用了一个“大刀阔斧”精简后的SSD，实现在i.MX RT1170上每秒运行11次的效果（在RT1060上约7次每秒）:

阅读全文