PFPNet（三）：Illustrated
2021/04/08
-----
-----
# Deep learning for generic object detection: A survey
說明：
2005 HOG 用 SVM 分類固定大小的圖片。
2008 DPM 用 SVM 分類照片中部分區域的圖片（可搭配 SS 或 R-CNN）。
◎ 2011 SS 提供約兩千個建議框（可搭配 DPM 或 R-CNN 或 Fast R-CNN）。
2014 R-CNN
2015 Fast R-CNN
2015 Faster R-CNN
-----
# Object Detection in 20 Years: A Survey
說明：
2005 HOG
2008 DPM
2014 R-CNN
◎ 2015 SPPNet（RoI Region of Interest，被 Fast R-CNN 與 Faster R-CNN 使用）。
2015 Fast R-CNN
2015 Faster R-CNN
-----
# A Survey of Deep Learning-based Object Detection
說明：
Two-stage and one-stage。
-----
Modified from # A Survey of Deep Learning-based Object Detection
說明：
一、主架構。Faster R-CNN 提供建議框。R-CNN 抽取特徵。Fast R-CNN 利用抽取的特徵進行分類與回歸。
二、RPN 架構。
1. 分類為有物件或無物件兩類。回歸先做一次。
2. 「而最後的 Proposal 層則負責綜合 positive anchors 和對應 bounding box regression 偏移量獲取 proposals，同時剔除太小和超出邊界的 proposals。其實整個網路到了 Proposal Layer 這裡，就完成了相當於目標定位的功能。」回歸在正式分類還會再做一次，細調。
3. anchors 共有幾個？以 800 x 600 為例：向上取整數(800/16) x 向上取整數(600/16) x 9 = 17100。
4. 「全部 anchors 拿去訓練太多了，訓練程式會在合適的 anchors 中隨機選取 128 個postive anchors+128 個 negative anchors 進行訓練。」
5. 到此跟一階段演算法如 YOLO 類似，只是分類數為 2 而不是多分類。
https://zhuanlan.zhihu.com/p/31426458
-----
# R-CNN
說明：
R-CNN。
-----
Modified from # R-CNN
說明：
先用 SS 建議的 2000 個左右的建議框，每個建議框用 CNN 抽取特徵。然後對每一類進行 SVM 判別。
-----
# Fast R-CNN
說明：
Fast R-CNN。
-----
# SPPNet
說明：
SPPNet 的 RoI 主要用來解決 crop 與 warp 兩個問題。
-----
# SPPNet
說明：
ROI 之後進行 Spatial Pyramid Pooling。
-----
Modified from # Fast R-CNN
說明：
先用 CNN 抽取特徵。然後把 SS 提供的 2000 個建議框，用 SPPNet 的 RoI 框住特徵圖，然後用 CNN 進行分類與回歸。
-----
# Faster R-CNN
說明：
k anchor boxes, k = 9。
2k scores, 2 = positive and negative。
4k coordinates, 4 = (x, y, w, h) x y 中心點，w h 寬高。
a box-regression layer (reg) 回歸。
a box-classification layer (cls) 分類。
最後一層的特徵圖，每個點（錨點），有三個 scale、每個 scale，有三種框。每個框預測有物件或沒物件。一共 18 種預測。種類參考本張圖。大小參考下一張圖。
-----
# Faster R-CNN
說明：
「全部 anchors 拿去訓練太多了，訓練程序會在合適的 anchors 中隨機選取 128 個 postive anchors + 128 個 negative anchors 進行訓練。」
https://zhuanlan.zhihu.com/p/31426458
-----
# PUP
說明：
RPN 的損失函數，cross entropy and smooth L1。PU 部分參考即可。
-----
# Wing Loss
說明：
1. L2 收斂比 L1 快。一般選 L2。
2. 但若有誤差樣本為 1000，其他為 1 時，此誤差為 1000 的樣本會佔太大比重。將 L2 改為 L1 則將平方改為線性，減低此項效應。
3. L1 在 0 處，導數不唯一（在正負 1 之間跳動），有可能影響收斂（？此說明不佳）。0 處改為平方，則兼具 L1 與 L2 之優點。
https://zhuanlan.zhihu.com/p/48426076
（？）
1. L2 的導數為 2x。
2. L1 的導數為 正負 1。
3. smooth L1，當預測框與 ground truth 差別大時，導數不置於太大。當差別很小時，導數夠小（此說明佳）。
https://www.zhihu.com/question/58200555
-----
# Faster R-CNN
說明：
損失函數的英文說明。請參考下方損失函數的中文說明。
-----
# Faster R-CNN
說明：
RPN 的損失函數。
L：Loss function。
p：positive softmax probability。
t：predict bounding box。
i：anchors index。
Ncls：mini-batch size (i.e., Ncls = 256)。圖片張數。
Lcls：Loss function of classification。rpn_cls_loss 層計算的 softmax loss（log loss）。
pi：參考 p 與 i。
pi*：對應的 GT predict 概率。「（即當第 i 個 anchor 與 GT 間 IoU > 0.7，認為是該 anchor 是positive，[公式]；反之 IoU <0.3 時，認為是該 anchor 是 negative，[公式]；至於那些 0.3 < IoU < 0.7 的 anchor 則不參與訓練）」。pi 是預測機率，pi* 是 label。positive 的 anchor，pi* 為 1，negative 的 anchor，pi* 為 0。此為二分類 cross entropy loss。
https://zhuanlan.zhihu.com/p/31426458
Nreg：the number of anchor locations (i.e., Nreg = 2400)。圖片張數的框張數的總和。
Lreg：Loss function of regression。
ti：參考 t 與 i。
ti*：對應 positive anchor 對應的 GT box。
乘上 pi*，代表只關心 positive 的 box。
λ：= Nreg / Ncls = 2400 / 256，大約等於 10。用以平衡兩者的個數。
-----
# Fast R-CNN
說明：
smooth L1 損失函數。希望預測框跟 GT 框的位置與大小越接近越好。
Lloc = Lreg。名稱不一樣而已。都是用來做位置與大小的回歸（先平移再縮放）。
tu「t：predict bounding box。」（預測框）。t 如何取得，參考下一張圖。
v「ti*：對應 positive anchor 對應的 GT box。」（GT 框）。t* 如何取得，參考下一張圖。
i「x y w h。」（位置與大小）。
-----
# Faster R-CNN
說明：
如何從原始的錨框 A，經過變換得到一個接近 GT 框 G 的 預測框 G' 呢？先做平移，再做縮放。
x：框的中心點 x 座標。
y：框的中心點 y 座標。
w：框的寬度。
h：框的高度。
x：預測框。
xa：錨框。
x*：GT 框。
t 與 t*：預測框的四個元素與 GT 框的四個元素（越近越好）。
https://zhuanlan.zhihu.com/p/31426458
-----
# DeepFood
說明：
如何從原始的 anchor A，經過變換得到一個接近真實窗口 G 的 G' 呢？先做平移，再做縮放。
公式與上圖相反。
-----
# Object Detection in 20 Years: A Survey
說明：
複習。
-----
Figure 1: Panoptic FPN: (a) We start with an FPN backbone [36], widely used in object detection, for extracting rich multi-scale features. (b) As in Mask R-CNN [24], we use a region-based branch on top of FPN for instance segmentation. (c) In parallel, we add a lightweight denseprediction branch on top of the same FPN features for semantic segmentation. This simple extension of Mask RCNN with FPN is a fast and accurate baseline for both tasks.
圖1：全景 FPN：（a）我們從 FPN 主幹 [36] 開始，該主幹廣泛用於物件偵測，以提取豐富的多尺度特徵。 （b）就像在 Mask R-CNN [24] 中一樣，我們在 FPN 的頂部使用基於區域的分支進行實例分割。 （c）並行地，我們在相同的 FPN 功能之上添加了一個輕量級的密集預測分支，用於語義分割。 使用 FPN 對 Mask RCNN 進行的這種簡單擴展是這兩項任務的快速而準確的基準。
# PFPNet
說明：
PFPNet =
1. FPN(based on Faster R-CNN + Pyramid) +
2. FCN +
3. Mask R-CNN(based on Faster R-CNN)。
所以本文後半部主要討論 Faster R-CNN。
-----
Figure 3: Semantic segmentation branch. Each FPN level (left) is upsampled by convolutions and bilinear upsampling until it reaches 1/4 scale (right), theses outputs are then summed and finally transformed into a pixel-wise output.
圖3：語義分割分支。 每個 FPN 層（左）通過卷積和雙線性上採樣進行上採樣，直到達到 1/4 的比例（右），然後將這些輸出求和，最後轉換為像素輸出。
# PFPNet
說明：
八倍 + 四倍 + 兩倍，所以比 FCN 多一個八倍的圖。
-----
Figure 5: Backbone architectures for increasing feature resolution. (a) A standard convolutional network (dimensions are denoted as #blocks×#channels×resolution). (b) A common approach is to reduce the stride of select convolutions and use dilated convolutions after to compensate. (c) A U-Net [49] style network uses a symmetric decoder that mirrors the bottom-up pathway, but in reverse. (d) FPN can be seen as an asymmetric, lightweight decoder whose top-down pathway has only one block per stage and uses a shared channel dimension. For a comparison of the efficiency of these models, please see Figure 4.
圖5：用於增加特徵解析度的骨幹架構。 （a）一個標準的卷積網路（尺寸表示為 #blocks x #channels x resolution）。 （b）一種常見的方法是減小選擇卷積的步幅，並在補償後使用擴張卷積。 （c）U-Net [49] 樣式的網路使用對稱的解碼器，該對稱的解碼器鏡像了自下而上的路徑，但相反。 （d）FPN 可以看作是一種非對稱，輕量級的解碼器，其自上而下的路徑每級只有一個塊，並且使用共享的通道尺寸。 為了比較這些模型的效率，請參見圖4。
# PFPNet
說明：
a. 標準的卷積網路。
b. 使用擴張卷積。
c. 加上對稱的如 U-Net 的解碼器。
d. 加上非對稱的如 FPN 的輕量解碼器（特徵圖較少）。
-----
Figure 4: Backbone architecture efficiency. We compare methods for increasing feature resolution for semantic segmentation, including dilated networks, symmetric decoders, and FPN, see Figure 5. We count multiply-adds and memory used when applying ResNet-101 to a 2 megapixel image. FPN at output scale 1/4 is similar computationally to dilation-16 (1/16 resolution output), but produces a 4× higher resolution output. Increasing resolution to 1/8 via dilation uses a further 3× more compute and memory.
圖4：骨幹架構效率。 我們比較了用於提高語義分割的特徵解析度的方法，包括擴張網路，對稱解碼器和 FPN，請參見圖5。我們計算了將 ResNet-101 應用於 2 百萬像素圖像時的乘加和內存。 FPN 在輸出比例為 1/4 時在計算上與 dilation-16（1/16分辨率輸出）相似，但會產生 4 倍更高的分辨率輸出。 通過膨脹將分辨率提高到 1/8 會使用更多 3 倍的計算和內存。
# PFPNet
說明：
1. FPN 在輸出比例為 1/4 時在計算上與 dilation-16（1/16分辨率輸出）相似，但會產生 4 倍更高的分辨率輸出。（左圖）
2. 通過膨脹將分辨率提高到 1/8 會使用更多 3 倍的計算和內存。（左圖與右圖）
-----
References
# PFPNet
Kirillov, Alexander, et al. "Panoptic feature pyramid networks." Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2019.
# Deep learning for generic object detection: A survey
Liu, Li, et al. "Deep learning for generic object detection: A survey." International journal of computer vision 128.2 (2020): 261-318.
# Object Detection in 20 Years: A Survey
Zou, Zhengxia, et al. "Object detection in 20 years: A survey." arXiv preprint arXiv:1905.05055 (2019).
https://arxiv.org/pdf/1905.05055.pdf
# A Survey of Deep Learning-based Object Detection
Jiao, Licheng, et al. "A survey of deep learning-based object detection." IEEE Access 7 (2019): 128837-128868.
https://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=8825470
# HOG
Dalal, Navneet, and Bill Triggs. "Histograms of oriented gradients for human detection." 2005 IEEE computer society conference on computer vision and pattern recognition (CVPR'05). Vol. 1. Ieee, 2005.
# DPM
Felzenszwalb, Pedro F., et al. "Object detection with discriminatively trained part-based models." IEEE transactions on pattern analysis and machine intelligence 32.9 (2010): 1627-1645.
https://ttic.uchicago.edu/~dmcallester/lsvm-pami.pdf
# SS
Uijlings, Jasper RR, et al. "Selective search for object recognition." International journal of computer vision 104.2 (2013): 154-171.
https://ivi.fnwi.uva.nl/isis/publications/2013/UijlingsIJCV2013/UijlingsIJCV2013.pdf
# R-CNN
Girshick, Ross, et al. "Rich feature hierarchies for accurate object detection and semantic segmentation." Proceedings of the IEEE conference on computer vision and pattern recognition. 2014.
# SPPNet
He, Kaiming, et al. "Spatial pyramid pooling in deep convolutional networks for visual recognition." european conference on computer vision. Springer, Cham, 2014.
https://arxiv.org/pdf/1406.4729.pdf
# Fast R-CNN
Girshick, Ross. "Fast R-CNN." Proceedings of the IEEE international conference on computer vision. 2015.
http://openaccess.thecvf.com/content_iccv_2015/papers/Girshick_Fast_R-CNN_ICCV_2015_paper.pdf
# Faster R-CNN
Ren, Shaoqing, et al. "Faster R-CNN: Towards real-time object detection with region proposal networks." Advances in neural information processing systems. 2015.
# FPN
Lin, Tsung-Yi, et al. "Feature pyramid networks for object detection." CVPR. Vol. 1. No. 2. 2017.
# Wing Loss
Feng, Zhen-Hua, et al. "Wing loss for robust facial landmark localisation with convolutional neural networks." Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018.
https://openaccess.thecvf.com/content_cvpr_2018/papers/Feng_Wing_Loss_for_CVPR_2018_paper.pdf
# DeepFood
Jiang, Landu, et al. "DeepFood: Food image analysis and dietary assessment via deep model." IEEE Access 8 (2020): 47477-47489.
https://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=8998172
# PUP
Yang, Yuewei, Kevin J. Liang, and Lawrence Carin. "Object detection as a positive-unlabeled problem." arXiv preprint arXiv:2002.04672 (2020).
https://arxiv.org/pdf/2002.04672.pdf
一文讀懂Faster RCNN - 知乎
https://zhuanlan.zhihu.com/p/31426458
Object Detection : R-CNN, Fast-RCNN, Faster RCNN | by chunchiang shen | Medium
-----
No comments:
Post a Comment
Note: Only a member of this blog may post a comment.