谈谈基于深度学习的目标检测网络为什么会误检,以及如何优化目标检测的误检问题

对于以人脸检测为代表的目标检测深度学习网络来说,误检是一件非常恼人的事情。把狗检测为猫尚可接受,毕竟有些。

对于以人脸检测为代表的目标检测深度学习网络来说,误检是一件非常恼人的事情。把狗检测为猫尚可接受,毕竟有些狗的确长得像猫,但是把墙壁、灯泡、拳头、衣服检测成人脸就不能忍了,明明一点都不像。稍稍思考下,我感觉应该能够从两个方面解释下误检问题。

图像内容问题

在训练人脸检测网络时,一般都会做数据增强,为图像模拟不同姿态、不同光照等复杂情况,这就有可能产生过亮的人脸图像,“过亮”的人脸看起来就像发光的灯泡一样。。。如果发光灯泡经过网络提取得到的特征,和过亮人脸经过网络提取得到的特征相似度达到临界值,那么网络把发光灯泡检测为人脸就不足为奇了。

同样的道理,用于训练网络的人脸数据集中,若是存在一些带口罩,带围巾的人脸图像,那么网络就极有可能“记住”口罩、围巾的特征,在预测阶段,要是有物体(比如衣服)表现得像口罩、围巾,那么网络就有可能把该物体检测成人脸。

当然,以上讨论都是启发性的,本文暂时不把它当做讨论重点。

目标 bbox 的范围问题

目前非常流行的深度学习目标检测网络(SSD、YOLO、RetinaFace 等)在训练阶段,我们需要提供目标在图像中的 bbox,所谓 bbox,其实主要就是指目标的外接矩形。这样训练而来的网络在预测阶段,一般给出的也是目标的外接矩形。

问题就出在 bbox 上,接下来的讨论还是以人脸检测为例,请看下图:

谈谈基于深度学习的目标检测网络为什么会误检,以及如何优化目标检测的误检问题

这是一个典型的目标 bbox。bbox 本质上是矩形,但通常目标(人脸)不是矩形,bbox 内部包含一些非人脸内容,我认为这些非人脸内容要对误检负一部分责任。

常用的人脸检测网络一般使用大量的卷积层提取图像特征,得到的特征图尺寸通常小于原始输入图像数倍(取决于卷积的 stride、padding 等参数),网络对特征图的每一个“像素点”做二分类(人脸类、背景类),“误检”就是在这个二分类过程中产生的。

数倍小的特征图的一个“像素点”都对应着原图的一小块矩形区域内的像素,这么看来,特征图的每一个“像素点”都可视为一个 bbox,只不过这些 bbox 有的属于背景类,有的属于人脸类。

为了简单,将人脸检测网络的二分类分支抽离出来,设为p_{ heta },再令x表示特征图中的“像素点”,q表示该像素点的标签,则训练p_{ heta }的一个常用方法就是优化下述目标:

underset{ heta}{argmax}{mathbb{E}_{xsimp_{ heta}(x)}}frac{p_{ heta}(y|x)}{q(y|x)}

其中 y 为 0(背景类)/1(人脸类)标签。对于人脸类,理想情况下,我们希望x为人脸数据,但是实际上x却是一小块矩形区域内部的所有图像数据,这个矩形内部常常包含一些非人脸数据,因此实际被优化的目标为:

underset{ heta}{argmax}{mathbb{E}_{xsimp_{ heta}(x+Deltax)}}frac{p_{ heta}(y|x+Deltax)}{q(y|x+Deltax)}

上式中x表示人脸数据,Delta x表示非人脸数据。通常q(y|x+Delta x)是人工标注的标签,因此Delta x不会影响q的结果,优化下述目标就可以了:

underset{ heta}{argmax}{mathbb{E}_{xsimp_{ heta}(x+Deltax)}}frac{p_{ heta}(y|x+Deltax)}{q(y|x)}

我们以为训练得到的是p_{ heta}(y|x),实际得到的却是p_{ heta}(y|x+Delta x),可以认为Delta x的存在是引起误检的主要原因之一。

优化误检问题

既然Delta x的存在会引起误检,那么优化该问题直观上有以下方法:

令Delta x ightarrow 0 令p_{ heta}(y|x+Delta x) ightarrow p_{ heta}(y|x)

遗憾的是,这两个方法在实践中都很难直接实现。虽然我们可以不考虑人工成本,将粗糙的人脸 bbox 用更加精细的多边形代替,但是缩放数倍的卷积特征图本身也隐含着“矩形框”,另外,人眼认为的“人脸”未必是网络认为的“人脸”。

本文不考虑像素级别的语义分割任务。

稍稍再想一想,不难发现,虽然上述理论是将x和Delta x作为彼此独立的像素集合处理得到的,但是我们可以对该理论做稍许推广,也即:将x视为 bbox 内的所有像素,Delta x视为 bbox 内所有干扰人脸误检的像素差值,那么该理论就更加有用了。

我们完成了优化人脸检测网络误检问题的理论构建,该理论将指导接下来的网络,以及对应的损失函数设计。

构建深度学习网络

构建s_w的方法有多种,下面是我做实验时简单构建的网络关键部分的结构示意图(这样构造有些粗糙,但是多少能够验证下理论):

谈谈基于深度学习的目标检测网络为什么会误检,以及如何优化目标检测的误检问题

常规方法在得到特征图x_f + Delta x_f时,就直接将其送到背景/人脸二分类网络分支做分类了。在上图的网络架构中,我们增加了额外的一个分支,该分支从特征图x_f + Delta x_f得到一个同尺寸的 1 通道人脸特征概率图,该特征概率图与x_f + Delta x_f相乘即可得到x_f + Delta x\’_f,这样就可以得到两个分类结果:

p_{ heta}(x_f + Delta x_f) p_{ heta}(x_f + Delta x\’_f)

再根据前面理论分析得到的s_w优化方法,同步优化 heta和w,即可完成训练。

若干可视化训练效果

这里我没有太过仔细的测试,只在手边的 RetinaFace 网络上增加了前面上述结构,训练 10 个 epoch 后,中间生成一些可视效果图:

谈谈基于深度学习的目标检测网络为什么会误检,以及如何优化目标检测的误检问题

左:原图及bbox标签;中:人脸特征概率图;右:经过s_w处理过的图。

可以看出,虽然标签是矩形的bbox,但是通过简单增加一条训练分支,我们得到了类似于语义分割的效果。

谈谈基于深度学习的目标检测网络为什么会误检,以及如何优化目标检测的误检问题

此外,从效果图2中可以看出,网络认为的人脸区域与人眼感受的区域并不完全一致,但是总体是保留关键特征的。类似的还有下图。

谈谈基于深度学习的目标检测网络为什么会误检,以及如何优化目标检测的误检问题

谈谈基于深度学习的目标检测网络为什么会误检,以及如何优化目标检测的误检问题

误检的优化效果

还是偷懒,暂时没有太过详细的测试,只在一个非常小(1000张规模)的数据集上做了测试,误检降低了 5.2%,对比对象为:

p_{ heta}(x_f + Delta x_f) p_{ heta}(x_f + Delta x\’_f)

当然,这只是我粗略训练和测试的结果。后续有时间再尝试仔细构造下网络设计以及训练,补上公开数据集的测试结果对比吧。

给TA打赏
共{{data.count}}人
人已打赏
云计算

Facebook内容审核员:“科技界最糟糕的工作”?

2021-4-15 14:56:43

云计算

SA:移动数据收益在2020年Q4首次跌至低于1美元/GB

2021-4-15 15:28:06

0 条回复 A文章作者 M管理员
    暂无讨论,说说你的看法吧
个人中心
购物车
优惠劵
今日签到
有新私信 私信列表
搜索