多尺度目标检测¶
:label:sec_multiscale-object-detection
在 :numref:sec_anchor
中,我们以输入图像的每个像素为中心,生成了多个锚框。
基本而言,这些锚框代表了图像不同区域的样本。
然而,如果为每个像素都生成的锚框,我们最终可能会得到太多需要计算的锚框。
想象一个$561 \times 728$的输入图像,如果以每个像素为中心生成五个形状不同的锚框,就需要在图像上标记和预测超过200万个锚框($561 \times 728 \times 5$)。
多尺度锚框¶
:label:subsec_multiscale-anchor-boxes
减少图像上的锚框数量并不困难。 比如,我们可以在输入图像中均匀采样一小部分像素,并以它们为中心生成锚框。 此外,在不同尺度下,我们可以生成不同数量和不同大小的锚框。 直观地说,比起较大的目标,较小的目标在图像上出现的可能性更多样。 例如,$1 \times 1$、$1 \times 2$和$2 \times 2$的目标可以分别以4、2和1种可能的方式出现在$2 \times 2$图像上。 因此,当使用较小的锚框检测较小的物体时,我们可以采样更多的区域,而对于较大的物体,我们可以采样较少的区域。
为了演示如何在多个尺度下生成锚框,让我们先读取一张图像。 它的高度和宽度分别为561和728像素。
%matplotlib inline
import torch
from d2l import torch as d2l
img = d2l.plt.imread('../upload/catdog.jpg')
h, w = img.shape[:2]
h, w
(561, 728)
回想一下,在 :numref:sec_conv_layer
中,我们将卷积图层的二维数组输出称为特征图。
通过定义特征图的形状,我们可以确定任何图像上均匀采样锚框的中心。
display_anchors
函数定义如下。
我们[在特征图(fmap
)上生成锚框(anchors
),每个单位(像素)作为锚框的中心]。
由于锚框中的$(x, y)$轴坐标值(anchors
)已经被除以特征图(fmap
)的宽度和高度,因此这些值介于0和1之间,表示特征图中锚框的相对位置。
由于锚框(anchors
)的中心分布于特征图(fmap
)上的所有单位,因此这些中心必须根据其相对空间位置在任何输入图像上均匀分布。
更具体地说,给定特征图的宽度和高度fmap_w
和fmap_h
,以下函数将均匀地对任何输入图像中fmap_h
行和fmap_w
列中的像素进行采样。
以这些均匀采样的像素为中心,将会生成大小为s
(假设列表s
的长度为1)且宽高比(ratios
)不同的锚框。
def display_anchors(fmap_w, fmap_h, s):
d2l.set_figsize()
# 前两个维度上的值不影响输出
fmap = torch.zeros((1, 10, fmap_h, fmap_w))
anchors = d2l.multibox_prior(fmap, sizes=s, ratios=[1, 2, 0.5])
bbox_scale = torch.tensor((w, h, w, h))
d2l.show_bboxes(d2l.plt.imshow(img).axes,
anchors[0] * bbox_scale)
首先,让我们考虑[探测小目标]。 为了在显示时更容易分辨,在这里具有不同中心的锚框不会重叠: 锚框的尺度设置为0.15,特征图的高度和宽度设置为4。 我们可以看到,图像上4行和4列的锚框的中心是均匀分布的。
display_anchors(fmap_w=4, fmap_h=4, s=[0.15])
然后,我们[将特征图的高度和宽度减小一半,然后使用较大的锚框来检测较大的目标]。 当尺度设置为0.4时,一些锚框将彼此重叠。
display_anchors(fmap_w=2, fmap_h=2, s=[0.4])
最后,我们进一步[将特征图的高度和宽度减小一半,然后将锚框的尺度增加到0.8]。 此时,锚框的中心即是图像的中心。
display_anchors(fmap_w=1, fmap_h=1, s=[0.8])
多尺度检测¶
既然我们已经生成了多尺度的锚框,我们就将使用它们来检测不同尺度下各种大小的目标。
下面,我们介绍一种基于CNN的多尺度目标检测方法,将在 :numref:sec_ssd
中实现。
在某种规模上,假设我们有$c$张形状为$h \times w$的特征图。
使用 :numref:subsec_multiscale-anchor-boxes
中的方法,我们生成了$hw$组锚框,其中每组都有$a$个中心相同的锚框。
例如,在 :numref:subsec_multiscale-anchor-boxes
实验的第一个尺度上,给定10个(通道数量)$4 \times
4$的特征图,我们生成了16组锚框,每组包含3个中心相同的锚框。
接下来,每个锚框都根据真实值边界框来标记了类和偏移量。
在当前尺度下,目标检测模型需要预测输入图像上$hw$组锚框类别和偏移量,其中不同组锚框具有不同的中心。
假设此处的$c$张特征图是CNN基于输入图像的正向传播算法获得的中间输出。
既然每张特征图上都有$hw$个不同的空间位置,那么相同空间位置可以看作含有$c$个单元。
根据 :numref:sec_conv_layer
中对感受野的定义,特征图在相同空间位置的$c$个单元在输入图像上的感受野相同:
它们表征了同一感受野内的输入图像信息。
因此,我们可以将特征图在同一空间位置的$c$个单元变换为使用此空间位置生成的$a$个锚框类别和偏移量。
本质上,我们用输入图像在某个感受野区域内的信息,来预测输入图像上与该区域位置相近的锚框类别和偏移量。
当不同层的特征图在输入图像上分别拥有不同大小的感受野时,它们可以用于检测不同大小的目标。 例如,我们可以设计一个神经网络,其中靠近输出层的特征图单元具有更宽的感受野,这样它们就可以从输入图像中检测到较大的目标。
简言之,我们可以利用深层神经网络在多个层次上对图像进行分层表示,从而实现多尺度目标检测。
在 :numref:sec_ssd
,我们将通过一个具体的例子来说明它是如何工作的。
小结¶
- 在多个尺度下,我们可以生成不同尺寸的锚框来检测不同尺寸的目标。
- 通过定义特征图的形状,我们可以决定任何图像上均匀采样的锚框的中心。
- 我们使用输入图像在某个感受野区域内的信息,来预测输入图像上与该区域位置相近的锚框类别和偏移量。
- 我们可以通过深入学习,在多个层次上的图像分层表示进行多尺度目标检测。
练习¶
- 根据我们在
:numref:
sec_alexnet
中的讨论,深度神经网络学习图像特征级别抽象层次,随网络深度的增加而升级。在多尺度目标检测中,不同尺度的特征映射是否对应于不同的抽象层次?为什么? - 在
:numref:
subsec_multiscale-anchor-boxes
中的实验里的第一个尺度(fmap_w=4, fmap_h=4
)下,生成可能重叠的均匀分布的锚框。 - 给定形状为$1 \times c \times h \times w$的特征图变量,其中$c$、$h$和$w$分别是特征图的通道数、高度和宽度。怎样才能将这个变量转换为锚框类别和偏移量?输出的形状是什么?