前言：

在計(jì)算機(jī)視覺(jué)中存在很多的專(zhuān)業(yè)術(shù)語(yǔ)，如先驗(yàn)知識(shí)，語(yǔ)義信息，embedding，head，neck等。這些術(shù)語(yǔ)的解釋無(wú)法直接在網(wǎng)上搜到，也沒(méi)有在哪一篇論文中定義它們的概念和意義，因此，對(duì)于第一次聽(tīng)到這些術(shù)語(yǔ)的讀者來(lái)說(shuō)會(huì)非常的困惑。

此外，對(duì)于還沒(méi)有建立計(jì)算機(jī)視覺(jué)知識(shí)體系的讀者來(lái)說(shuō)，也很難理解特征空間，fine-tuning、預(yù)訓(xùn)練、池化等方面的內(nèi)容。 本文介紹了很多讀者在其它地方不可能了解的內(nèi)容，通過(guò)這些內(nèi)容相信讀者能更深層次地理解計(jì)算機(jī)視覺(jué)，建立起基本的計(jì)算機(jī)視覺(jué)知識(shí)體系。

backbone、head、neck和fine-tune

以一個(gè)圖像分類(lèi)的卷積神經(jīng)網(wǎng)絡(luò)為例，網(wǎng)絡(luò)分成兩部分，前部分是由卷積層、歸一化層、激活層、池化層堆疊的，輸入圖像在經(jīng)過(guò)若干層卷積、歸一化層、激活層和池化層的堆疊后進(jìn)入全連接層，經(jīng)過(guò)幾次全連接后輸出每個(gè)類(lèi)別的概率值。 在這里，前面卷積層、歸一化層、激活層和池化層的堆疊部分屬于backbone。意思是神經(jīng)網(wǎng)絡(luò)的軀干部分，這部分也稱(chēng)為特征提取網(wǎng)絡(luò)。 后面的全連接層的堆疊屬于head。意思是神經(jīng)網(wǎng)絡(luò)的頭部，實(shí)現(xiàn)模型任務(wù)的預(yù)測(cè)，稱(chēng)為predictor head，這部分網(wǎng)絡(luò)也稱(chēng)為分類(lèi)網(wǎng)絡(luò)。

再以目標(biāo)檢測(cè)中的YOLO_V4中的圖為例。 如上圖所示，在backbone后，常構(gòu)建特征金字塔，在特征金字塔部分做一些處理，如多尺度融合，再將特征金字塔的輸出進(jìn)行預(yù)測(cè)。因此，特征金字塔這部分放在backbone和head之間，稱(chēng)為neck（脖子），這里的Dense Prediction即為head。 關(guān)于backbone即常見(jiàn)的經(jīng)典網(wǎng)絡(luò)，如VGG，ResNet，MobileNet，ShuffleNet，DenseNet等，當(dāng)某個(gè)模型提到backbone使用的是VGG，即表示使用的是VGG的backbone部分，而不包括VGG的head。 這里解釋一下為何是這樣。神經(jīng)網(wǎng)絡(luò)有多種解釋?zhuān)渲幸环N解釋如下，神經(jīng)網(wǎng)絡(luò)被認(rèn)為是在提取特征，計(jì)算機(jī)視覺(jué)的傳統(tǒng)方法就是人為地設(shè)定某些特征，再進(jìn)行分類(lèi)。如HOG特征，LBP特征，在提取完特征后，使用分類(lèi)器對(duì)這些特征進(jìn)行分類(lèi)，如SVM分類(lèi)器。 這里的backbone部分則認(rèn)為是一個(gè)特征提取網(wǎng)絡(luò)，而head部分則被認(rèn)為是分類(lèi)網(wǎng)絡(luò)，因此特征提取的部分可以共享，它們的本質(zhì)都是在提取圖片的特征，而分類(lèi)網(wǎng)絡(luò)則對(duì)應(yīng)到具體的任務(wù)，如分類(lèi)貓狗，分類(lèi)網(wǎng)絡(luò)需要從提取的特征中分成貓狗兩類(lèi)。 這段話同時(shí)也解釋了fine-tune的原理，使用一個(gè)預(yù)訓(xùn)練好的backbone，針對(duì)你自己的任務(wù)，自己搭建相應(yīng)的分類(lèi)網(wǎng)絡(luò)，在訓(xùn)練時(shí)凍結(jié)backbone的參數(shù)，只訓(xùn)練分類(lèi)網(wǎng)絡(luò)的參數(shù)。這是因?yàn)轭A(yù)訓(xùn)練好的backbone已經(jīng)具備很好的特征提取能力，因此對(duì)于你自己的圖像，網(wǎng)絡(luò)只需要學(xué)習(xí)如何將提取后的特征按你定義的類(lèi)別進(jìn)行分類(lèi)。

Preprocess和Postprocess

Preprocess為預(yù)處理，圖像在送入神經(jīng)網(wǎng)絡(luò)之前，需要進(jìn)行一定的處理。 通常的處理是使用opencv中的resize將所有圖像縮放到同一尺寸，并根據(jù)數(shù)據(jù)集的標(biāo)注設(shè)置網(wǎng)絡(luò)的label。此外，如果有必要的話，還會(huì)進(jìn)行數(shù)據(jù)增強(qiáng)，如調(diào)整圖像飽和度，鏡像，加噪聲，隨機(jī)掩碼等方式。 預(yù)處理的必要性：大部分神經(jīng)網(wǎng)絡(luò)在backbone后將數(shù)據(jù)進(jìn)行flatten（即將四維的張量變成二維）的操作，再進(jìn)行全連接，此時(shí)全連接層輸入的神經(jīng)元個(gè)數(shù)即為flatten后的長(zhǎng)度，若輸入的圖像的尺寸不一樣，則全連接層輸入的神經(jīng)元個(gè)數(shù)無(wú)法一致，會(huì)報(bào)錯(cuò)。此外，對(duì)于沒(méi)有全連接層，其它類(lèi)似的處理部分（除少數(shù)外），也會(huì)要求backbone后的輸出大小一致。 Postprocess指的是對(duì)網(wǎng)絡(luò)預(yù)測(cè)的結(jié)果進(jìn)行后處理，對(duì)于普通的分類(lèi)網(wǎng)絡(luò)不需要后處理，但對(duì)于目標(biāo)檢測(cè)、語(yǔ)義分割這樣的任務(wù)，需要對(duì)網(wǎng)絡(luò)的輸出進(jìn)行處理，將預(yù)測(cè)的結(jié)果通過(guò)圖像進(jìn)行可視化。 例如目標(biāo)檢測(cè)中的YOLO，其輸出一個(gè)7x7x30的張量，輸出98個(gè)預(yù)測(cè)框，但實(shí)際一張圖片沒(méi)這么的目標(biāo)，則需要進(jìn)行NMS這樣的處理來(lái)去除一些不合理的預(yù)測(cè)框，且我們無(wú)法直接看待這些預(yù)測(cè)框是否準(zhǔn)確，就需要將其在原圖像上顯示出來(lái)，以直觀感受預(yù)測(cè)的效果如何。

先驗(yàn)知識(shí)

在《論文創(chuàng)新的常見(jiàn)思路總結(jié)》中我提到，關(guān)于特定的類(lèi)的檢測(cè)，我們可以針對(duì)這個(gè)類(lèi)別添加很多先驗(yàn)知識(shí)，在《數(shù)據(jù)增強(qiáng)方法總結(jié)》中我提到，數(shù)據(jù)增強(qiáng)的本質(zhì)是人為地引入人視覺(jué)上的先驗(yàn)知識(shí)。在《CNN可視化技術(shù)總結(jié)（一）特征圖可視化》中我提到，所謂改進(jìn)網(wǎng)絡(luò)都是人的主觀改進(jìn)，這里人的主觀即先驗(yàn)知識(shí)。 這里的先驗(yàn)知識(shí)指的是人對(duì)于如何識(shí)別一張圖像或如何識(shí)別一個(gè)類(lèi)而關(guān)注的內(nèi)容，引入先驗(yàn)知識(shí)是指設(shè)計(jì)一些東西讓網(wǎng)絡(luò)也關(guān)注這些內(nèi)容。 例如特征金字塔中的多尺度融合，人認(rèn)為大目標(biāo)應(yīng)該在低分辨率檢測(cè)、小目標(biāo)在高分辨率檢測(cè)，由此網(wǎng)絡(luò)在特征金字塔的不同層預(yù)測(cè)不同大小的目標(biāo)。人又認(rèn)為如果大目標(biāo)在低分辨率檢測(cè)，小目標(biāo)在高分辨率檢測(cè)，則在低分辨率時(shí)，小目標(biāo)還存在，在這里被當(dāng)成了背景，同理在高分辨率時(shí)大目標(biāo)被當(dāng)成了背景，這樣不合理，又提出了ASFF處理方式，提升了5-10個(gè)百分點(diǎn)。

例如人在關(guān)注一個(gè)事物時(shí)，會(huì)自動(dòng)忽略眼睛看到的其它東西，由此提出了注意力機(jī)制。 例如即便只有上半身，人還是能認(rèn)出自己熟悉的人，由此提出隨機(jī)遮擋等數(shù)據(jù)增強(qiáng)方式，讓網(wǎng)絡(luò)在有遮擋的情況下也能正確識(shí)別。 例如人是如何識(shí)別打籃球這一行為的，人根據(jù)籃球、投籃手勢(shì)、身體跳躍、籃球運(yùn)動(dòng)等一系列的組合識(shí)別，因此如何讓網(wǎng)絡(luò)更好地關(guān)注這些特征提出了Non-Local。

embedding

在transformer中出現(xiàn)了embedding，在自編碼器中也出現(xiàn)了embedding，還有很多地方也有提到，如何理解embedding？ 這里涉及到神經(jīng)網(wǎng)絡(luò)的另一種解釋。神經(jīng)網(wǎng)絡(luò)被認(rèn)為是將圖像從高維的像素空間映射到低維的嵌入空間，即embedding，也可稱(chēng)為特征空間。這里的特征空間用embedding（向量的形式）來(lái)表示。 在編碼器中，網(wǎng)絡(luò)將圖像映射成embedding，即高維圖像通過(guò)非線性函數(shù)的多次映射，可以用低維embedding來(lái)表示，在解碼器中，網(wǎng)絡(luò)將低維embedding映射回圖像。 因此，embedding可以認(rèn)為是某些特征的濃縮表示形式。 以行人重識(shí)別為例，論文認(rèn)為即便是在不同拍攝角度下，只要是同一個(gè)人，神經(jīng)網(wǎng)絡(luò)輸出的embedding在某種距離度量方式下就是相近的，而不同的人在某種距離方式下就是很遠(yuǎn)的，因此可以通過(guò)某種距離度量方式判斷兩個(gè)embedding的距離是否在閾值范圍內(nèi)來(lái)判斷是否為同一個(gè)人。

feature map

字面意思：特征圖。 根據(jù)前面的解釋?zhuān)窠?jīng)網(wǎng)絡(luò)是在將圖像從高維像素空間映射到低維的特征空間，這個(gè)映射是通過(guò)一層一層卷積和激活來(lái)進(jìn)行的，卷積具備提取特征的能力。 例如在數(shù)字圖像處理中，我們是通過(guò)sobel算子來(lái)檢測(cè)輪廓，而sobel算子可以認(rèn)為是3x3的卷積的其中一種情況，在這種情況下，它就可以提取圖像的輪廓，那在其它情況下就可以提取其它的特征，因此卷積的過(guò)程就是在提取特征的過(guò)程，經(jīng)過(guò)卷積提取特征和激活函數(shù)的映射后的輸出稱(chēng)為feature maps。

池化

接著上面的解釋來(lái)介紹一下池化。 在一張圖像中存在很多噪聲和冗余信息，噪聲是由相機(jī)拍攝過(guò)程中由于傳感器電路、材料等硬件因素或傳輸過(guò)程中產(chǎn)生的，冗余信息是指跟具體任務(wù)無(wú)關(guān)的內(nèi)容。 當(dāng)我們以整張圖像輸入時(shí)，需要將這些噪聲、冗余信息去除。我們認(rèn)為這些冗余信息和噪聲不是特征，在神經(jīng)網(wǎng)絡(luò)中的卷積和映射過(guò)程中，會(huì)產(chǎn)生比較低的響應(yīng)值，因此我們可以通過(guò)最大池化選擇最大的響應(yīng)值進(jìn)入下一層，因?yàn)槲覀冋J(rèn)為只有特征才會(huì)在卷積過(guò)程中產(chǎn)生大的特征值，也稱(chēng)為響應(yīng)值。 同樣以sobel為例，當(dāng)對(duì)一個(gè)像素值基本相同的背景進(jìn)行卷積時(shí)，卷積的輸出幾乎為0，而對(duì)一個(gè)輪廓邊緣進(jìn)行sobel卷積，則會(huì)輸出較大的值。 因此神經(jīng)網(wǎng)絡(luò)通過(guò)多次最大池化，去除了噪聲和冗余信息。這也就是為什么神經(jīng)網(wǎng)絡(luò)的backbone部分基本全是最大池化，而不是平均池化，因?yàn)槠骄鼗瘯?huì)將這些冗余信息和噪聲繼續(xù)傳到下一層。 關(guān)于池化更詳細(xì)的技術(shù)總結(jié)，請(qǐng)閱讀《池化技術(shù)總結(jié)》文章。

語(yǔ)義信息

數(shù)字圖像是由像素值組成的，它們本是一堆數(shù)字的組合，但就是這樣的組合形成了一幅幅圖像，如貓、狗、籃球、米老鼠、眼睛、鼻子等。因此，語(yǔ)義信息指的是圖像的內(nèi)容，即鼻子，眼睛這樣的圖像。

總結(jié)

本文介紹了很多讀者在其它地方不可能了解的內(nèi)容，通過(guò)這些內(nèi)容相信讀者能更深層次地理解計(jì)算機(jī)視覺(jué)，建立起基本的計(jì)算機(jī)視覺(jué)知識(shí)體系。

責(zé)任編輯：lq6