谈谈基于深度学习的目标检测网络为什么会误检

人脸检测为代表的目标检测深度学习网络来说，误检是一件非常恼人的事情。把狗检测为猫尚可接受，毕竟有些狗的确长得像猫，但是把墙壁、灯泡、拳头、衣服检测成人脸就不能忍了，明明一点都不像。稍稍思考下，我感觉应该能够从两个方面解释下误检问题。

图像内容问题

在训练人脸检测网络时，一般都会做数据增强，为图像模拟不同姿态、不同光照等复杂情况，这就有可能产生过亮的人脸图像，“过亮”的人脸看起来就像发光的灯泡一样。。。如果 发光灯泡 经过网络提取得到的特征，和 过亮人脸 经过网络提取得到的特征相似度达到临界值，那么网络把发光灯泡检测为人脸就不足为奇了。

同样的道理，用于训练网络的人脸数据集中，若是存在一些带口罩，带围巾的人脸图像，那么网络就极有可能“记住”口罩、围巾的特征，在预测阶段，要是有物体（比如衣服）表现得像口罩、围巾，那么网络就有可能把该物体检测成人脸。

当然，以上讨论都是启发性的，本文暂时不把它当做讨论重点。

目标 bbox 的范围问题

目前非常流行的深度学习目标检测网络（SSD、YOLO、RetinaFace 等）在训练阶段，我们需要提供目标在图像中的 bbox，所谓 bbox，其实主要就是指目标的外接矩形。这样训练而来的网络在预测阶段，一般给出的也是目标的外接矩形。

问题就出在 bbox 上，接下来的讨论还是以人脸检测为例，请看下个典型的目标 bbox。bbox 本质上是矩形，但通常目标（人脸）不是矩形，bbox 内部包含一些非人脸内容， 我认为这些非人脸内容要对误检负一部分责任 。

常用的人脸检测网络一般使用大量的卷积层提取图像特征，得到的特征图尺寸通常小于原始输入图像数倍（取决于卷积的 stride、padding 等参数），网络对特征图的每一个“像素点”做二分类（人脸类、背景类），“误检”就是在这个二分类过程中产生的。

数倍小的特征图的一个“像素点”都对应着原图的一小块矩形区域内的像素，这么看来，特征图的每一个“像素点”都可视为一个 bbox，只不过这些 bbox 有的属于背景类，有的属于人脸类。

为了简单，将人脸检测网络的二分类分支抽离出来，设为 p_{theta } ，再令 x 表示特征图中的“像素点”， q 表示该像素点的标签，则训练 p_{theta } 的一个常用方法就是优化下述目标：到的是 p_{theta}(y|x) ，实际得到的却是 p_{theta}(y|x+Delta x) ，可以认为 Delta x 的存在是引起误检的主要原因之一。

优化误检问题

既然 Delta x 的存在会引起误检，那么优化该问题直观上有以下方法：

• 令 Delta x rightarrow 0
• 令 p_{theta}(y|x+Delta x) rightarrow p_{theta}(y|x)

遗憾的是，这两个方法在实践中都很难 直接 实现。虽然我们可以不考虑人工成本，将粗糙的人脸 bbox 用更加精细的多边形代替，但是缩放数倍的卷积特征图本身也隐含着“矩形框”，另外， 人眼认为的“人脸”未必是网络认为的“人脸” 。

本文不考虑像素级别的语义分割任务。

稍稍再想一想，不难发现，虽然上述理论是将 x 和 Delta x 作为彼此独立的像素集合处理得到的，但是我们可以对该理论做稍许推广，也即：将 x 视为 bbox 内的所有像素， Delta x 视为 bbox 内所有干扰人脸误检的像素差值，那么该理论就更加有用了。

我们完成了优化人脸检测网络误检问题的理论构建，该理论将指导接下来的网络，以及对应的损失函数设计。

构建深度学习网络

（编辑：南通站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!