劉 軍，張艷迪

(沈陽理工大學 自動化與電氣工程學院，沈陽 110159)

ResNet等深層網(wǎng)絡(luò)的出現(xiàn)使圖像檢測的精度和速度大幅度提升，深層的網(wǎng)絡(luò)結(jié)構(gòu)更容易學習到目標的抽象語義特征。He K等[1]提出的殘差結(jié)構(gòu)，解決了深層神經(jīng)網(wǎng)絡(luò)出現(xiàn)的網(wǎng)絡(luò)退化和梯度消失問題。隨著網(wǎng)絡(luò)層數(shù)加深，卷積層得到的目標特征變少，需要同時增加網(wǎng)絡(luò)的通道數(shù)和分辨率讓深層的網(wǎng)絡(luò)獲得更多的目標特征信息。但對網(wǎng)絡(luò)深度、通道數(shù)和分辨率的改變，會帶來大量的參數(shù)運算，增加了計算成本。Tan M等[2]提出一個復(fù)合系數(shù)φ，同時對網(wǎng)絡(luò)深度、通道數(shù)和分辨率進行縮放，在有限的計算資源下，網(wǎng)絡(luò)運算效率更高。本文將Efficient-B0網(wǎng)絡(luò)[2]和YOLOv3中的檢測網(wǎng)絡(luò)[3]相結(jié)合，改進的輕量級網(wǎng)絡(luò)可以應(yīng)用到移動端設(shè)備；實驗結(jié)果表明，提出的基于輕量級特征提取網(wǎng)絡(luò)Efficient-B0與FPN多尺度融合的目標檢測和識別算法，與基于Darknet53主干網(wǎng)絡(luò)的YOLOv3相比，參數(shù)量少4倍，檢測精度僅下降了0.2%，檢測速度更快，并且擁有更好的魯棒性。

1 目標特征提取

1.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)是由多個卷積和多個全連接層疊加組成，中間包含激活函數(shù)和池化層等操作。圖1是單通道灰度圖片的卷積過程，圖片以矩陣的形式輸入，卷積核的通道數(shù)與輸入圖片的通道數(shù)一致。彩色圖片的通道數(shù)為3，卷積后的輸出是把3個通道拼接在一起作為一個特征向量。卷積層通常用來提取特征，全連接層是把高維的特征向量轉(zhuǎn)換為一維的向量作為輸出，池化層用來降低維度去除冗余的信息。為更好的擬合數(shù)據(jù)，每層之間的輸出都要經(jīng)過激活函數(shù)的非線性轉(zhuǎn)換，這樣可增強神經(jīng)網(wǎng)絡(luò)的魯棒性。

圖1 單通道卷積過程

1.2 主干網(wǎng)絡(luò)

目標檢測和識別分為兩個部分，一部分用來做特征提取的主干網(wǎng)絡(luò)，另一部分是目標的定位和分類。VGG-16[4]、ResNet、Darknet53等網(wǎng)絡(luò)結(jié)構(gòu)常被用來做目標檢測的特征提取器，其共同特點是網(wǎng)絡(luò)層數(shù)都很深，ResNet網(wǎng)絡(luò)甚至可以搭建到一千多層。神經(jīng)網(wǎng)絡(luò)被認為每一層能提取不同的目標特征，網(wǎng)絡(luò)越深提取的特征越多，不同層次間組合信息也越多。深層的網(wǎng)絡(luò)有更強的擬合和表達能力，目標檢測的精度也越高。One-stage系列的目標檢測算法YOLOv3的特征提取網(wǎng)絡(luò)是Darknet53，在Darknet53網(wǎng)絡(luò)中借鑒VGG-16和ResNet網(wǎng)絡(luò)中的優(yōu)點，用殘差塊和小型卷積搭建了53層的全卷積網(wǎng)絡(luò)，Darknet53的網(wǎng)絡(luò)結(jié)構(gòu)組成如圖2所示。

圖2 Darknet53網(wǎng)絡(luò)結(jié)構(gòu)

在Darknet53網(wǎng)絡(luò)中用卷積層代替了池化層減少了參數(shù)量，殘差塊通過短接結(jié)構(gòu)解決了深層的神經(jīng)網(wǎng)絡(luò)在訓練過程中網(wǎng)絡(luò)退化和梯度消失的問題。BatchNormal(BN)層可以加快網(wǎng)絡(luò)訓練的收斂速度，對每一層輸入的數(shù)據(jù)做均值為0、標準差為1的批量歸一化處理，降低網(wǎng)絡(luò)訓練的復(fù)雜度和過擬合風險。

1.3 Efficient-B0

目標檢測算法在追求檢測精度和定位準確的同時也要考慮計算成本。在計算資源充足的條件下，復(fù)雜的大型網(wǎng)絡(luò)檢測速度和精度會有大幅度提升。深層的神經(jīng)網(wǎng)絡(luò)能提取到更多的特征信息，同樣，提高輸入圖片的分辨率和增加卷積神經(jīng)網(wǎng)絡(luò)的通道數(shù)可以捕捉目標的細粒度。任意調(diào)節(jié)網(wǎng)絡(luò)的深度、通道數(shù)和分辨率的參數(shù)，是非常繁瑣的過程，還會帶來大量的參數(shù)和卷積運算，增加了計算成本。Tan M等[2]提出對網(wǎng)絡(luò)的深度、寬度和分辨率通過一個復(fù)合參數(shù)φ均勻的對網(wǎng)絡(luò)模型進行縮放，公式為

深度：d=αφ

(1)

寬度：w=βφ

(2)

分辨率：r=γφ

(3)

s.t.α·β2·γ2≈2(α≥1，β≥1，γ≥1)

式中：d、w、r分別代表網(wǎng)絡(luò)的深度、寬度和分辨率，常量α、β、γ是對應(yīng)d、w、r的調(diào)節(jié)參數(shù)。計算機運算中FLOPS(每秒浮點運算次數(shù))與d、w2、r2成正比，將復(fù)合參數(shù)φ固定為1，在計算資源是現(xiàn)有網(wǎng)絡(luò)所占用資源兩倍的情況下，令α·β2·γ2≈2，得到網(wǎng)絡(luò)結(jié)構(gòu)Efficient-B0。Efficient-B0的網(wǎng)絡(luò)結(jié)構(gòu)組成如表1所示，由移動翻轉(zhuǎn)瓶頸卷積模塊(Mobile Inverted Bottleneck Convolution，MBConv)、卷積層、全局平均池化層和全連接層構(gòu)成，MBConv6代表擴張比例為6的逐點卷積，k3×3/2代表卷積核的大小為3×3，步長為2。Efficient-B0在參數(shù)量上比常見的特征提取主干網(wǎng)絡(luò)減少2～5倍，網(wǎng)絡(luò)計算的效率得到提升。本文采用Efficient-B0網(wǎng)絡(luò)代替Darknet 53主干網(wǎng)絡(luò)作為特征提取器，在目標檢測精度相差無幾的情況下，改進的目標檢測算法需要的計算資源更小。

表1 Efficient-B0的網(wǎng)絡(luò)結(jié)構(gòu)

2 目標預(yù)測

2.1 多尺度特征融合

小目標特征數(shù)量比較少，隨著神經(jīng)網(wǎng)絡(luò)的加深，小目標的特征會丟失，出現(xiàn)檢測精度低和漏檢的問題。淺層的神經(jīng)網(wǎng)絡(luò)能學習到小目標的更多特征，用特征金字塔(Feature Pyramid Network，F(xiàn)PN)模型[5]把淺層的特征通過通道的變換加到深層的網(wǎng)絡(luò)，將不同尺度下的特征圖拼接在一起，提高對小目標檢測的準確性。

本文采用Efficient-B0作為主干網(wǎng)絡(luò)，去掉了網(wǎng)絡(luò)結(jié)構(gòu)中的池化層和全連接層；用YOLOv3檢測網(wǎng)絡(luò)中的三個尺度(13×13，26×26，52×52)，對目標進行預(yù)測和分類；檢測網(wǎng)絡(luò)中13×13的尺度用來預(yù)測大目標，26×26的尺度用來預(yù)測中等目標，52×52的尺度用來預(yù)測小目標。特征融合過程如圖3所示。多尺度特征融合的步驟如下。

(1)把Efficient-B0主干網(wǎng)絡(luò)中階段9輸出13×13特征圖放到13×13的尺度上進行目標分類預(yù)測；

(2)把Efficient-B0主干網(wǎng)絡(luò)中階段6輸出26×26特征圖，與13×13特征圖通過線性插值方法2倍上采樣得到的特征圖拼接，在26×26的尺度上進行目標分類預(yù)測；

(3)把Efficient-B0主干網(wǎng)絡(luò)中階段4輸出52×52特征圖，與26×26特征圖通過2倍上采樣得到的特征圖拼接，在52×52的尺度上進行目標分類預(yù)測。

圖3 FPN特征融合的過程

2.2 目標邊界框預(yù)測

為提高目標檢測的速度和準確性，需要先在預(yù)測階段生成候選框，然后對候選框做回歸和非極大值抑制計算，篩選與真實框重合度最高的候選框。在Faster R-CNN中，VGG-16骨架網(wǎng)絡(luò)輸出h×w大小的特征圖，對特征圖上每個點設(shè)置3個尺寸和3種縱橫比共9個候選框，特征圖上每個點映射到原圖中是一塊區(qū)域[6]，如圖4所示。

圖4 特征圖與輸入圖片的對應(yīng)關(guān)系

Faster R-CNN是對候選框中心坐標(x，y)和長寬(h，w)四個位置坐標相對于真實標記框位置的偏移量進行預(yù)測，這比直接預(yù)測框的位置坐標學習起來更容易。事實上，神經(jīng)網(wǎng)絡(luò)可以自己學習調(diào)節(jié)候選框的大小，假設(shè)輸入圖片中的目標個數(shù)比較少，人為設(shè)定每個特征圖對應(yīng)的點要生成9個候選框，候選框的篩選會增加網(wǎng)絡(luò)運算的時間。

本文用K-means聚類方式通過VOC2007訓練集上真實標記框的數(shù)據(jù)自動生成候選框。首先對訓練集中的真實標記框的長和寬做歸一化處理，隨機選取K個真實標記框的長和寬作為聚類的初始值，多次迭代計算，直到候選框與真實框之間的交并比(Intersection Over Union，IOU)值改變量很小，本文中K的取值為9。在VOC數(shù)據(jù)集中人和車占的比例較高，自動生成候選框的形狀多數(shù)為瘦高型；實驗得到候選框尺寸為(8×20)、(16×54)、(33×23)、(30×130)、(65×45)、(59×181)、(114×60)、(160×205)、(380×310)。K-means聚類生成的候選框在定義位置時，與Faster R-CNN中的候選框不同，不采用相對于真實框偏移量的方式，因為此方法對偏移量的程度沒有約束，候選框可以移動到圖片上的任意一點。本文將輸入的圖片劃分為S×S個網(wǎng)格[7]，基于每個網(wǎng)格的偏移量定位候選框的位置[8]，為防止候選框在圖片上隨意移動，通過Sigmoid函數(shù)約束候選框的移動范圍，公式為

bx=σ(tx)+cx

(4)

by=σ(ty)+cy

(5)

bw=pwetw

(6)

bh=pheth

(7)

式中：cx和cy是候選框的中心坐標；pw和ph分別代表候選框的寬和高；預(yù)測值tx和ty通過約束函數(shù)與候選框中心坐標相加，得到目標邊界框的中心坐標bx和by；目標邊界框的寬度bw和高度bh是pw和ph與ex相乘得到的。

圖5中虛線代表的是候選框，定義候選框是從每個網(wǎng)格的左上角移動，實線框是候選框通過位置回歸得到的最終的目標邊界框。

圖5 候選框的位置回歸

3 實驗結(jié)果

3.1 多尺度訓練

為增強網(wǎng)絡(luò)對任意尺寸圖片檢測的魯棒性，對訓練集中的圖片通過數(shù)據(jù)增強的方式進行旋轉(zhuǎn)和縮放。實驗在VOC2007和VOC2012數(shù)據(jù)集上聯(lián)合訓練，兩個數(shù)據(jù)集中共選取15000張圖片，包含20類，人和車的圖片數(shù)量占比最高。訓練過程中，每10個批次隨機換一次輸入圖片的尺寸，下采樣總步長為32；輸入圖片的分辨率為32的倍數(shù)，最大的輸入分辨率為480×480，最小的輸入分辨率為224×224。多尺度訓練過程中只改變輸入圖片的尺寸；Efficient-B0主干網(wǎng)絡(luò)各層輸出的特征圖維度相同。

3.2 實驗結(jié)果分析

采用兩種不同的主干網(wǎng)絡(luò)Darknet 53及Efficient-B0進行目標檢測識別實驗，其中測試集分別來自于4952張VOC2007測試集和手機相機采集的1000張自制測試集；兩個測試集中目標的類別都為20類，人的圖片占總數(shù)量的總測試集的40%，其他種類都比較平均。

為提高小目標的檢測精度，采用Efficient-B0作為特征提取網(wǎng)絡(luò)，再利用FPN結(jié)構(gòu)進行特征融合；預(yù)測階段使用YOLOv3的基于候選框回歸方法。實驗結(jié)果如表2所示。通過表2對比發(fā)現(xiàn)，兩個不同主干網(wǎng)絡(luò)的目標檢測精度(AP-50)相差僅為0.2%，但改進網(wǎng)絡(luò)Efficient-B0比Darknet53網(wǎng)絡(luò)的參數(shù)量要小4倍，運行速度也有所提高。Darknet53網(wǎng)絡(luò)的計算量是Efficient-B0網(wǎng)絡(luò)的8倍。

表2 不同主干網(wǎng)絡(luò)結(jié)構(gòu)的實驗結(jié)果對比

圖6是采用兩種網(wǎng)絡(luò)結(jié)構(gòu)進行目標檢測的結(jié)果對比圖，圖6a和圖6c是Darknet53為主干網(wǎng)絡(luò)的檢測結(jié)果；圖6b和圖6d是Efficient-B0結(jié)合FPN模塊的檢測結(jié)果；由圖6可以看出，對于密集目標和小目標的檢測，Efficient-B0的效果更好。

圖6 目標檢測和識別的實驗結(jié)果

4 結(jié)論

通過將輕量級的移動網(wǎng)絡(luò)Efficient-B0和YOLOv3目標檢測算法結(jié)合，在有限的計算資源條件下，不僅降低了網(wǎng)絡(luò)結(jié)構(gòu)的參數(shù)量，提高了運行效率，而且還充分發(fā)揮了YOLOv3的實時檢測的技術(shù)優(yōu)勢。在對小目標進行檢測識別時，Efficient-B0與多尺度融合模塊FPN結(jié)構(gòu)相結(jié)合，顯著降低了目標的漏檢率。本文改進的目標檢測網(wǎng)絡(luò)需要的計算資源和計算機算力更少，適合應(yīng)用于移動端的設(shè)備。