劉 顏 朱志宇 張 冰

（江蘇科技大學(xué)電子信息學(xué)院 鎮(zhèn)江 212003）

1 引言

目標(biāo)檢測技術(shù)是計(jì)算機(jī)視覺領(lǐng)域中的重要組成部分，具有較高的研究價(jià)值。目標(biāo)檢測包括目標(biāo)的定位和分類兩個(gè)部分。隨著計(jì)算機(jī)技術(shù)的發(fā)展和計(jì)算機(jī)視覺［1］原理的廣泛應(yīng)用，利用計(jì)算機(jī)圖像處理技術(shù)實(shí)時(shí)跟蹤目標(biāo)的研究越來越熱。目標(biāo)的動態(tài)實(shí)時(shí)跟蹤和定位在智能交通系統(tǒng)、智能監(jiān)控系統(tǒng)、軍事目標(biāo)檢測和手術(shù)器械定位等方面廣泛應(yīng)用［2］。2014年，RBG使用候選區(qū)域+卷積神經(jīng)網(wǎng)絡(luò)［3］設(shè)計(jì)了基于區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)［4］框架，開啟了基于深度學(xué)習(xí)目標(biāo)檢測熱潮。R-CNN 這個(gè)領(lǐng)域目前研究非?；钴S，先后出現(xiàn)了R-CNN、SPP-net、Fast R-CNN［5］、Faster R-CNN、R-FCN、YOLO［6］、SSD 等研究。

在深度學(xué)習(xí)研究中，結(jié)構(gòu)簡單、識別準(zhǔn)確率高的模型是使用者一直追求的。Mobilenet［7］模型是Google 提出的適合移動環(huán)境下的深度學(xué)習(xí)輕量級分類模型，延遲很低但可以保持一定的精度。SSD結(jié)合了YOLO 中的回歸思想和Faster R-CNN 中的anchor 機(jī)制，不但有YOLO 速度快的特性，而且可以像Faster R-CNN 一樣精準(zhǔn)。SSD-Mobilenet 網(wǎng)絡(luò)模型由于該模型結(jié)合了Mobilenet 和SSD 兩種類型網(wǎng)絡(luò)的優(yōu)勢，在識別精確度和性能消耗都有很好的表現(xiàn)。

2 基于SSD—Mobilenet 模型的目標(biāo)檢測

2.1 Mobilenet卷積神經(jīng)網(wǎng)絡(luò)

Mobilenet 使用深度可分離卷積來構(gòu)建輕量級深度神經(jīng)網(wǎng)絡(luò)。深度可分離卷積將標(biāo)準(zhǔn)卷積分解成為如圖1 所示的深度卷積和一個(gè)如圖2 所示1×1的逐點(diǎn)卷積。如圖3 所示，假設(shè)輸入特征圖有M 個(gè)通道，輸出特征圖的通道數(shù)N，卷積核大小為DK×DK。將深度卷積與標(biāo)準(zhǔn)卷積部分的計(jì)算量相比:

可見，Mobilenet網(wǎng)絡(luò)的卷積方式和標(biāo)準(zhǔn)卷積方式相比大大減少了計(jì)算量。Mobilenet 卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)為表1 所示。Mobilenet 總共28 層，由輸入層，13 層卷積層，以及平均池化層與全連接層組成。

圖1 深度卷積

圖2 逐點(diǎn)卷積

圖3 標(biāo)準(zhǔn)卷積

2.2 SSD卷積神經(jīng)網(wǎng)絡(luò)

SSD，全 稱Single Shot MultiBox Detector，是Wei Liu 在ECCV 2016 提 出 的 目 標(biāo) 檢 測 算 法［8］。SSD 網(wǎng)絡(luò)結(jié)構(gòu)如圖4 所示，算法的主網(wǎng)絡(luò)結(jié)構(gòu)是VGG16，將兩個(gè)全連接層改成卷積層再增加4 個(gè)卷積層構(gòu)造網(wǎng)絡(luò)結(jié)構(gòu)。SSD 在計(jì)算損失函數(shù)的時(shí)候，用到了兩項(xiàng)的和，包括定位損失函數(shù)與回歸損失函數(shù)。總的損失函數(shù):

N 是匹配的default boxes 的個(gè)數(shù)，x 表示匹配了的框是否屬于類別p，取值｛0，1｝；g 是真實(shí)值（ground truth box）；c 是指所框選目標(biāo)屬于類別p 的置信度（confidence）。

圖4 SSD網(wǎng)絡(luò)模型

圖5 SSD-Mobilenet卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

2.3 SSD-Mobilenet網(wǎng)絡(luò)模型

SSD-Mobilenet 網(wǎng)絡(luò)結(jié)構(gòu)類似于VGG_SSD 網(wǎng)絡(luò)結(jié)構(gòu)，在conv13卷積層后增加8 個(gè)卷積層，其中6個(gè)卷積層用于檢測目標(biāo)。SSD-Mobilenet 網(wǎng)絡(luò)模型用SSD 模型作為基礎(chǔ)模型，結(jié)合Mobilenet 使用參數(shù)少，降低計(jì)算量的特點(diǎn)。其網(wǎng)絡(luò)結(jié)構(gòu)如圖5 所示。由于該模型結(jié)合了Mobilenet 和SSD 兩種類型網(wǎng)絡(luò)的優(yōu)勢，在保證良好精確度的基礎(chǔ)上，使用小規(guī)模參數(shù)網(wǎng)絡(luò)，減少計(jì)算量，降低資源消耗，縮短了訓(xùn)練時(shí)間，改善模型性能。

2.4 遷移學(xué)習(xí)的概念

遷移學(xué)習(xí)的目的是將從一個(gè)環(huán)境中學(xué)習(xí)到的知識運(yùn)用到新的環(huán)境中。神經(jīng)網(wǎng)絡(luò)所學(xué)習(xí)到的知識主要體現(xiàn)于在特定任務(wù)上所訓(xùn)練得到的權(quán)重參數(shù)上，因而迀移學(xué)習(xí)的本質(zhì)即為權(quán)重的迀移。傳統(tǒng)的機(jī)器學(xué)習(xí)要求訓(xùn)練數(shù)據(jù)與測試數(shù)據(jù)相同分布，而且無法獲取足夠多的有效樣本，需要重新標(biāo)注大量的樣本數(shù)據(jù)以滿足需求。使用迀移學(xué)習(xí)的方法可以解決以上兩個(gè)問題，允許將學(xué)習(xí)到的已有知識運(yùn)用到新的且僅有少量樣本數(shù)據(jù)的領(lǐng)域內(nèi)。這意味著對于一個(gè)已經(jīng)訓(xùn)練過的現(xiàn)有模型，并重新訓(xùn)練它最后一層或幾層網(wǎng)絡(luò)，不需要太長的訓(xùn)練時(shí)間便可以得到效果較好的網(wǎng)絡(luò)模型［9～15］。

2.5 基于SSD-Mobilenet模型的遷移學(xué)習(xí)方法

經(jīng)過預(yù)訓(xùn)練的SSD-Mobilenet網(wǎng)絡(luò)模型可以網(wǎng)絡(luò)結(jié)構(gòu)與參數(shù)的分離，只要網(wǎng)絡(luò)結(jié)構(gòu)不變，就可以使用之前已經(jīng)訓(xùn)練好的參數(shù)初始化網(wǎng)絡(luò)。在實(shí)驗(yàn)中采用了COCO2014數(shù)據(jù)集對模型進(jìn)行預(yù)訓(xùn)練，這個(gè)數(shù)據(jù)集圖像包括80 類目標(biāo)，包括人類、交通工具、動物、家用電器、電子產(chǎn)品等12 個(gè)大類。用于重新訓(xùn)練全連接層的參數(shù)的數(shù)據(jù)集使用的是牛津大學(xué)視覺幾何組-寵物數(shù)據(jù)集（Visual Geometry Group-Pets Dataset），這個(gè)數(shù)據(jù)集包含37 種不同種類的寵物圖片，本文使用了其中shiba_inu與pomeranian這兩類圖片。

圖6 Mobilenet 卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

圖7 檢測流程圖

目標(biāo)檢測流程圖如圖7所示，首先Mobilenet網(wǎng)絡(luò)用COCO 數(shù)據(jù)集進(jìn)行預(yù)訓(xùn)練得到模型參數(shù)、瓶頸描述因子和初始特征，然后目標(biāo)域Pets數(shù)據(jù)集重新確定全連接層參數(shù)，最后將訓(xùn)練好的Mobilenet 模型與融合特征傳入SSD網(wǎng)絡(luò)，即可實(shí)驗(yàn)對圖片中目標(biāo)的定位與分類。

3 實(shí)驗(yàn)過程及結(jié)果分析

3.1 訓(xùn)練環(huán)境

Tensorflow 是Google 的可移植機(jī)器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)庫，對Python 具有良好的支持，它還有用于顯示和理解描述其計(jì)算的數(shù)據(jù)流圖Tensorboard。本實(shí)驗(yàn)的運(yùn)行平臺為Windows 10，開發(fā)語言為Python，使用的深度學(xué)習(xí)框架為Tensorflow，本實(shí)驗(yàn)的運(yùn)行環(huán)境如圖8所示。

圖8 實(shí)驗(yàn)運(yùn)行環(huán)境表

圖9 部分標(biāo)注信息表格文件示例

3.2 數(shù)據(jù)集的準(zhǔn)備

本文在Pets 數(shù)據(jù)集中選取了博美犬和柴田犬這兩類的圖片各200張，其中160張作為訓(xùn)練集，30張作為測試集，10 張用于檢測訓(xùn)練好的模型。首先標(biāo)注圖像使用的是labellmg 工具，樣本被標(biāo)注好后，生成與樣本一一對應(yīng)的xml 文件。然后，調(diào)用xml_to_csv.py腳本生成表格，如圖9所示，圖的第一列filename 是圖像的名稱；第二列和第三列代表了圖片的大??；第五列到第八列代表在目標(biāo)檢測框的坐標(biāo)；class的值設(shè)為pomerianian，代表博美犬，若為shiba_inu 代表柴田犬。接下來，調(diào)用調(diào)用generate_tfrecord.py 把對應(yīng)的csv 格式轉(zhuǎn)換成Tensorflow能識別的tfrecord格式。

3.3 開始訓(xùn)練與結(jié)果分析

本文的訓(xùn)練過程是在GPU上訓(xùn)練。如圖10（a）所示每一步的運(yùn)行時(shí)間大約為0.9s。如圖11（a）所示，隨著訓(xùn)練過程的進(jìn)展，總損失會降低到可能的最小值，當(dāng)總損失不會因更多迭代而下降可以認(rèn)定到訓(xùn)練已經(jīng)完成?？偣灿?xùn)練了40K步，總損失值約為3.2。

訓(xùn)練完成后，保存訓(xùn)練好的模型就可以開始做一些檢測了。在test_images 文件夾里放了每個(gè)分類各10張圖片。這20張圖片的平均檢測準(zhǔn)確率達(dá)到74.5%。如圖12，最高的準(zhǔn)確率達(dá)到99%。如圖13 所示，這兩張檢測結(jié)果圖出現(xiàn)了同一個(gè)檢測對象有多個(gè)檢測框的情況，這個(gè)問題存在的原因可能是在打標(biāo)簽時(shí)由于每張圖片中狗的外貌和姿態(tài)以及背景的差別，打框時(shí)有的框出了目標(biāo)對象身體的全部，有的只框出來目標(biāo)對象身體的一部分，這使得網(wǎng)絡(luò)接收到的信息存在著差別。如圖11 所示，檢測中還存在分類錯誤的情況，將博美犬分到柴田犬類，出現(xiàn)這種情況的原因不能完全歸于模型的不夠優(yōu)秀，事實(shí)上，圖片中的博美犬確實(shí)和柴田犬有著極大的相似。

圖10 訓(xùn)練步數(shù)與時(shí)間關(guān)系圖

圖11 訓(xùn)練步數(shù)與總損失關(guān)系圖

圖12 準(zhǔn)確率99%

圖13 一個(gè)目標(biāo)有多個(gè)檢測框圖

圖14 分類錯誤

3.4 幾種模型的效果對比

圖15 同一張圖片使用三種模型做目標(biāo)檢測

本實(shí)驗(yàn)還訓(xùn)練了SSD_inception 網(wǎng)絡(luò)與faster_rcnn 網(wǎng)絡(luò)進(jìn)行實(shí)驗(yàn)結(jié)果的對比。訓(xùn)練步數(shù)與時(shí)間的關(guān)系圖如圖10（b）、10（c），所示，總損失與時(shí)間的關(guān)系圖如圖11（b）、11（c）所示。同一張圖片用三種模型檢測效果如圖15 所示，從左至右分別使用的 模 型 為 SSD_Mobilenet，SSD_inception，faster_rcnn。

圖16 三種模型性能參數(shù)比較

4 結(jié)語

SSD-Mobilenet 是一種新型目標(biāo)識別網(wǎng)絡(luò)模型，它既結(jié)合了輕量型Mobilenet 網(wǎng)絡(luò)節(jié)省存儲空間以及低能耗的優(yōu)點(diǎn)，又有SSD網(wǎng)絡(luò)同時(shí)保持高效率與高準(zhǔn)確率的特點(diǎn)。運(yùn)用遷移學(xué)習(xí)的思維方式，在COCO 數(shù)據(jù)集進(jìn)行過預(yù)訓(xùn)練的SSD-Mobilenet 模型再用Pets數(shù)據(jù)集進(jìn)行網(wǎng)絡(luò)參數(shù)微調(diào)，使得網(wǎng)絡(luò)經(jīng)過較短的訓(xùn)練時(shí)間便可以收斂具有很好的檢測目標(biāo)的能力。在這次的實(shí)驗(yàn)中出現(xiàn)的對一個(gè)目標(biāo)有多個(gè)檢測框和由于兩類目標(biāo)的相似性分類錯誤的問題，在今后的實(shí)驗(yàn)中需要進(jìn)一步探究，力求得到更加性能優(yōu)秀的網(wǎng)絡(luò)。