当前位置：首页 > article >正文

SPP Net 目标检测网络学习笔记（附代码）

article 2024/11/20 21:44:44

论文地址：https://arxiv.org/pdf/1406.4729.pdf

代码地址：

1.是什么？

SPP Net是何凯明团队在R-CNN的基础上提出的一种网络模型，其核心思想是空间金字塔池化(Spatial Pyramid Pooling, SPP)。它主要解决了R-CNN不能适应不同尺寸的输入的问题。SPP-Net通过在最后的特征图与全连接层之间加入一种特殊的机制转换一下，使得网络可以适应不同尺寸的输入。具体来说，SPP-Net在卷积层后加入了一个金字塔池化层，将不同尺寸的特征图转换为固定的特征数量，进而输入到全连接层。这样，SPP-Net可以处理任意尺寸的输入图像，从而提高了目标检测的准确率和效率。

2.为什么？

SPPNet的研究动机主要包括两个方面：

1.卷积神经网络的全连接层需要固定输入的尺寸，而Selective search所得到的候选区域存在尺寸上的差异，无法直接输入到卷积神经网络中实现区域的特征提取，因此RCNN先将候选区缩放至指定大小随后再输入到模型中进行特征提取。
无论是通过区域裁剪还是缩放来实现区域大小的固定，其实都是一种次优的操作。如下图所示，可以很明显的看到，直接对候选框进行crop或者warp操作，会使图像出现失真。

2.RCNN使用Selective Search从图像中获取候选区域，然后依次将候选区域输入到卷积神经网络中进行图像特征提取，如果有2000个候选区域，则需要进行2000次独立的特征提取过程。然后，这2000个候选区域是存在一定程度的重叠的，所以如此设计会导致大量的冗余计算。

3. 关于图像尺寸的理解
众所周知，CNN一般都含有卷积部分和全连接部分，其中，卷积层不需要固定尺寸的图像，而全连接层是需要固定大小的输入。
所以当全连接层面对各种尺寸的输入数据时，就需要对输入数据进行crop（crop就是从一个大图扣出网络输入大小的patch，比如227×227），或warp（把一个边界框bounding box的内容resize成227×227）等一系列操作以统一图片的尺寸大小，比如224224（ImageNet）、3232(LenNet)、96*96等。
所以才如我们在上文中看到的，在R-CNN中，“因为取出的区域大小各自不同，所以需要将每个Region Proposal缩放（warp）成统一的227x227的大小并输入到CNN”。
但warp/crop这种预处理，导致的问题要么被拉伸变形、要么物体不全，限制了识别精确度
SPP Net的作者Kaiming He等人逆向思考，既然由于全连接FC层的存在，普通的CNN需要通过固定输入图片的大小来使得全连接层的输入固定。那借鉴卷积层可以适应任何尺寸，为何不能在卷积层的最后加入某种结构，使得后面全连接层得到的输入变成固定的呢？
这个“化腐朽为神奇”的结构就是spatial pyramid pooling layer。

4. 关于为何全连接层需要固定输入
全连接层的每一个结点都与上一层的所有结点相连，用来把前边提取到的特征综合起来。
由于其全相连的特性，一般全连接层的参数也是最多的。全连接层的权重矩阵是固定的，即每一次feature map的输入必须都得是一定的大小（即与权重矩阵正好可以相乘的大小），所以网络一开始输入图像的尺寸必须固定，才能保证传送到全连接层的feature map的大小跟全连接层的权重矩阵匹配。下图中连线最密集的2个地方就是全连接层，这很明显的可以看出全连接层的参数的确很多。

5. 与传统CNN的对比

SPP Net的第一个贡献就是在最后一个卷积层后，接入了金字塔池化层，保证传到下一层全连接层的输入固定。

在普通的CNN机构中，输入图像的尺寸往往是固定的（比如224*224像素），输出则是一个固定维数的向量。SPP Net在普通的CNN结构中加入了ROI池化层（ROI Pooling），使得网络的输入图像可以是任意尺寸的，输出则不变，同样是一个固定维数的向量。

3.怎么样？

3.1网络结构

3.2 算法流程

SPP-Net的大致步骤还是跟R-CNN比较类似，

a. 首先也是通过SS算法进行候选框选取；

b. 接着将原图进行卷积池化进行特征提取，得到特征图；

c. 然后根据候选框的位置通过卷积池化层层映射，映射到特征图相应的区域

d. 接着将映射到特征图的区域输入到金字塔卷积池化层，进行特征数量固定；

e. 接着将固定好的特征输入到全连接层中，得到输出，进而训练网络。

f. 最后将网络训练好之后，将金字塔池化层得到的特征拿去做SVM的训练以及将卷积池化层的特征拿去做边框回归。

3.3 SPP

3.3.1 特征映射

R-CNN中候选框的特征是直接对每个候选框进行卷积池化操作得到的，那既然SPP-Net不对候选区域进行卷积池化操作，那么特征如何得到？
这里SPP-Net用了一种巧妙的方法，通过映射的方法来获取了每个候选框的特征。首先，通过可视化卷积层发现，输入图片某一个位置的特征，反应在特征图上也是相应的位置。如下图：

上图中，左侧是输入图片，中间是原图经过卷积池化层后得到的特征图的可视化图片，比如输入图片中右下角区域有一辆车，那么反应在特征图上右下角区域就比较亮一些。而右图则表示类似区域都会在特征图上产生强信号值。再如下图：

同样，上图中输入图片为一个人坐在凳子上，可视化特征图后即可发现，存在同样的特征映射关系。
所以这里就将SS算法选取的候选区域的位置记录下来，通过卷积池化层的比例映射到特征图上，提取出候选区域的特征图，然后输入到金字塔池化层中，进而训练网络。SPP-Net通过如此特征映射的手段进行了，快速特征提取，而不必向R-CNN那样，需要对每个候选区域进行卷积池化特征提取。
候选框区域的特征通过特征映射的方法进行获得，但是候选框大小不一，所以得到的特征图也是不同尺寸的，那么不同尺寸的特征图怎样输入到全连接层呢？接下来我们一起学习下金字塔池化是怎么回事儿。

映射

原始图片经过CNN变成了feature map,原始图片通过选择性搜索（SS）得到了候选区域，现在需要将基于原始图片的候选区域映射到feature map中的特征向量。

映射过程图参考如下：

整个映射过程有具体的公式，如下

假设(x′,y′)(x′,y′)表示特征图上的坐标点，坐标点(x,y)表示原输入图片上的点，那么它们之间有如下转换关系，这种映射关系与网络结构有关（原论文还做了 padding=kernel-size/2 的 Pad 操作）：(x,y)=(S∗x′,S∗y′)，即

左上角的点：x’=[x/S]+1
右下角的点：x’=[x/S]-1
其中 SS 就是CNN中所有的strides的乘积，包含了池化、卷积的stride。论文中使用S的计算出来为=16

3.3.2 金字塔池化

不同尺寸的特征图如何进入全连接层，直接看下图，下图中对任意尺寸的特征图直接进行固定尺寸的池化，来得到固定数量的特征。

如上图，以3个尺寸的池化为例，对特征图进行一个最大值池化，即一张特征图得取其最大值，得到1*d(d是特征图的维度)个特征；对特征图进行网格划分为2x2的网格，然后对每个网格进行最大值池化，那么得到4*d个特征；同样，对特征图进行网格划分为4x4个网格，对每个网格进行最大值池化，得到16*d个特征。
接着将每个池化得到的特征合起来即得到固定长度的特征个数（特征图的维度是固定的），接着就可以输入到全连接层中进行训练网络了。

3.3.3 spatial pyramid pooling

SSP层的任务是将任意大小的特征图转换成固定大小的特征向量。
假设原图输入是224x224，对于conv出来后的输出是13x13x256的，可以理解成有256个这样的Filter，每个Filter对应一张13x13的feature map。接着在这个特征图中找到每一个候选区域映射的区域，spp layer会将每一个候选区域分成1x1，2x2，4x4三张子图，对每个子图的每个区域作max pooling，得出的特征再连接到一起，就是(16+4+1)x256的特征向量,接着给全连接层做进一步处理，如下图：

子图的max pooling操作，以4X4为例：

划分了16张子图，取每张子图的max像素值。所以4x4会得出16个特征向量。加上2x2,1x1的一共就是21x256个特征向量。

3.4 代码实现


```python
#coding=utf-8

import math
import torch
import torch.nn.functional as F

# 构建SPP层(空间金字塔池化层)
class SPPLayer(torch.nn.Module):

    def __init__(self, num_levels, pool_type='max_pool'):
        super(SPPLayer, self).__init__()

        self.num_levels = num_levels
        self.pool_type = pool_type

    def forward(self, x):
        num, c, h, w = x.size() # num:样本数量 c:通道数 h:高 w:宽
        for i in range(self.num_levels):
            level = i+1
            kernel_size = (math.ceil(h / level), math.ceil(w / level))
            stride = (math.ceil(h / level), math.ceil(w / level))
            pooling = (math.floor((kernel_size[0]*level-h+1)/2), math.floor((kernel_size[1]*level-w+1)/2))

            # 选择池化方式
            if self.pool_type == 'max_pool':
                tensor = F.max_pool2d(x, kernel_size=kernel_size, stride=stride, padding=pooling).view(num, -1)
            else:
                tensor = F.avg_pool2d(x, kernel_size=kernel_size, stride=stride, padding=pooling).view(num, -1)

            # 展开、拼接
            if (i == 0):
                x_flatten = tensor.view(num, -1)
            else:
                x_flatten = torch.cat((x_flatten, tensor.view(num, -1)), 1)
        return x_flatten

参考：

【目标检测】SPP-Net论文理解（超详细版本）

目标检测算法SPP-Net详解

SPPNet网络结构详解

查看全文

http://www.kler.cn/a/105707.html