DPMDeformable Parts ModelWord文档格式.docx

DPMDeformable Parts ModelWord文档格式.docx

《DPMDeformable Parts ModelWord文档格式.docx》由会员分享，可在线阅读，更多相关《DPMDeformable Parts ModelWord文档格式.docx（5页珍藏版）》请在冰豆网上搜索。

2010年PedroFelzenszwalb被VOC授予"

终身成就奖"

。

DPM可以看做是HOG（HistogrramsofOrientedGradients）的扩展，大体思路与HOG一致。

先计算梯度方向直方图，然后用SVM（Surpport

VectorMachine）训练得到物体的梯度模型（Model）。

有了这样的模板就可以直接用来分类了，简单理解就是模型和目标匹配。

DPM只是在模型上做了很多改进工作。

上图是HOG论文中训练出来的人形模型。

它是单模型，对直立的正面和背面人检测效果很好，较以前取得了重大的突破。

也是目前为止最好的的特征（最近被CVPR2013年的一篇论文《HistogramsofSparseCodesforObjectDetection》超过了）。

但是，如果是侧面呢？

所以自然我们会想到用多模型来做。

DPM就使用了2个模型，主页上最新版本Versio5的程序使用了12个模型。

上图就是自行车的模型，左图为侧面看，右图为从正前方看。

好吧，我承认已经面目全非了，这只是粗糙版本。

训练的时候只是给了一堆自行车的照片，没有标注是属于component1，还是component2.直接按照边界的长宽比，分为2半训练。

这样肯定会有很多很多分错了的情况，训练出来的自然就失真了。

不过没关系，论文里面只是把这两个Model当做初始值。

重点就是作者用了多模型。

上图右边的两个模型各使用了6个子模型，白色矩形框出来的区域就是一个子模型。

基本上见过自行车的人都知道这是自行车。

之所以会比左边好辨识，是因为分错component类别的问题基本上解决了，还有就是图像分辨率是左边的两倍，这个就不细说，看论文。

有了多模型就能解决视角的问题了，还有个严重的问题，动物是动的，就算是没有生命的车也有很多款式，单单用一个Model，如果动物动一下，比如美女搔首弄姿，那模型和这个美女的匹配程度就低了很多。

也就是说，我们的模型太死板了，不能适应物体的运动,特别是非刚性物体的运动。

自然我们又能想到添加子模型，比如给手一个子模型，当手移动时，子模型能够检测到手的位置。

把子模型和主模型的匹配程度综合起来，最简单的就是相加，那模型匹配程度不就提高了吗？

思路很简单吧！

还有个小细节，子模型肯定不能离主模型太远了，试想下假如手到身体的位置有两倍身高那么远，那这还是人吗？

也许这是个检测是不是鬼的好主意。

所以我们加入子模型与主模型的位置偏移作为Cost,也就是说综合得分要减去偏移Cost.本质上就是使用子模型和主模型的空间先验知识。

好了，终于来了一张合影。

最右边就是我们的偏移Cost,圆圈中心自然就是子模型的理性位置，如果检测出来的子模型的位置恰好在此，那Cost就为0，在周边那就要减掉一定的值，偏离的越远减掉的值越大。

其实，PartModel早在1973年就被提出参见《Therepresentationandmatchingofpictorialstructures》（木有看……）。

另外HOG特征可以参考鄙人博客：

OpencvHOG行人检测源码分析，SIFT特征与其很相似，本来也想写的但是，那时候懒，而且表述比较啰嗦，就参考一位跟我同一届的北大美女的系列博客吧。

【OpenCV】SIFT原理与源码分析总之，DPM的本质就是弹簧形变模型，参见1973年的一篇论文Therepresentationandmatchingofpictorialstructures2.检测

检测过程比较简单：

综合得分：

是rootfilter（我前面称之为主模型）的得分，或者说是匹配程度，本质就是和的卷积，后面的partfilter也是如此。

中间是n个partfilter（前面称之为子模型）的得分。

是为了component之间对齐而设的rootoffset.为rootfilter的left-top位置在root

featuremap中的坐标，为第个partfilter映射到part

featuremap中的坐标。

是因为partfeaturemap的分辨率是rootfeaturemap的两倍，为相对于rootfilter

left-top的偏移。

的得分如下：

上式是在patfilter理想位置,即anchorposition的一定范围内，寻找一个综合匹配和形变最优的位置。

为偏移向量，为偏移向量，为偏移的Cost权值。

比如则即为最普遍的欧氏距离。

这一步称为距离变换，即下图中的transformed

response。

这部分的主要程序有train.m、featpyramid.m、dt.cc.

3.训练

3.1多示例学习（Multiple-instancelearning）

3.1.1MI-SVM

一般机器学习算法，每一个训练样本都需要类别标号（对于二分类：

1/-1）。

实际上那样的数据其实已经经过了抽象，实际的数据要获得这样的标号还是很难，图像就是个典型。

还有就是数据标记的工作量太大，我们想偷懒了，所以多只是给了正负样本集。

负样本集里面的样本都是负的，但是正样本里面的样本不一定都是正的，但是至少有一个样本是正的。

比如检测人的问题，一张天空的照片就可以是一个负样本集；

一张某某自拍照就是一个正样本集（你可以在N个区域取N个样本，但是只有部分是有人的正样本）。

这样正样本的类别就很不明确，传统的方法就没法训练。

疑问来了，图像的不是有标注吗？

有标注就应该有类别标号啊?

这是因为图片是人标的，数据量特大，难免会有些标的不够好,这就是所谓的弱监督集（weaklysupervisedset）。

所以如果算法能够自动找出最优的位置，那分类器不就更精确吗？

标注位置不是很准确，这个例子不是很明显，还记得前面讲过的子模型的位置吗？

比如自行车的车轮的位置，是完全没有位置标注的，只知道在boundingbox区域附件有一个车轮。

不知道精确位置，就没法提取样本。

这种情况下，车轮会有很多个可能的位置，也就会形成一个正样本集，但里面只有部分是包含轮子的。

针对上述问题《SupportVectorMachinesforMultiple-InstanceLearning》提出了MI-SVM。

本质思想是将标准SVM的最大化样本间距扩展为最大化样本集间距。

具体来说是选取正样本集中最像正样本的样本用作训练，正样本集内其它的样本就等候发落。

同样取负样本中离分界面最近的负样本作为负样本。

因为我们的目的是要保证正样本中有正，负样本不能为正。

就基本上化为了标准SVM。

取最大正样本（离分界面最远），最小负样本（离分界面最近）：

对于正样本：

为正样本集中选中的最像大正样本的样本。

对于负样本：

可以将max展开，因为最小的负样本满足的话，其余负样本就都能满足，所以任意负样本有：

目标函数：

也就是说选取正样本集中最大的正样本，负样本集中的所有样本。

与标准SVM的唯一不同之处在于拉格朗日系数的界限。

而标准SVM的约束是：

最终化为一个迭代优化问题:

思想很简单:

第一步是在正样本集中优化；

第二步是优化SVM模型。

与K-Means这类聚类算法一样都只是简单的两步，却爆发了无穷的力量。

这里可以参考一篇博客Multiple-instancelearning。

关于SVM的详细理论推导就不得不推荐我最为膜拜的MITDoctorpluskid:

支持向量机系列

关于SVM的求解：

SVM学习——SequentialMinimalOptimization

SVM学习——CoordinateDesentMethod

此外，与多示例学习对应的还有多标记学习（multi-lablelearning）有兴趣可以了解下。

二者联系很大，多示例是输入样本的标记具有歧义（可正可负），而多标记是输出样本有歧义。

3.1.2LatentSVM

1）Latent-SVM实质上和MI-SVM是一样的。

区别在于扩展了Latent变量。

首先解释下Latent变量，MI-SVM决定正样本集中哪一个样本作为正样本的就是一个latent变量。

不过这个变量是单一的，比较简单，取值只是正样本集中的序号而已。

DPM中也是要选择最大的正样本，但是它的latent变量就特别多。

比如bounding

box的实际位置，在HOG特征金字塔中的level,某样本属于哪一类component。

也就是说我们有了一张正样本的图片，标注了boundingbox，我们要在某一位置，某一尺度，提取出一个最大正样本作为某一component的正样本。

直接看Latent-SVM的训练过程：

这一部分还牵扯到了Data-minig。

先不管，先只看循环中的3-6,12.

3-6就对于MI-SVM的第一步。

12就对应了MI-SVM的第二步。

作者这里直接用了梯度下降法，求解最优模型β。

2）现在说下Data-minig。

作者为什么不直接优化，还搞个Data-minig干嘛呢？

因为，负样本数目巨大，Version3中用到的总样本数为2^28，其中Pos样本数目占的比例特别低，负样本太多，直接导致优化过程很慢，因为很多负样本远离分界面对于优化几乎没有帮助。

Data-minig的作用就是去掉那些对优化作用很小的Easy-examples保留靠近分界面的Hard-examples。

分别对应13和10。

这样做的的理论支撑证明如下：

3）再简单说下随机梯度下降法（StochasticGradientDecent）：

首先梯度表达式：

梯度近似：

优化流程：

这部分的主要程序：

pascal_train.m-&

gt;

train.m-&

detect.m-&

learn.cc

3.2训练初始化

LSVM对初始值很敏感，因此初始化也是个重头戏。

分为三个阶段。

英语方面我就不班门弄斧了，直接上截图。

下面稍稍提下各阶段的工作，主要是论文中没有的Latent变量分析：

Phase1:

是传统的SVM训练过程，与HOG算法一致。

作者是随机将正样本按照aspectration（长宽比）排序，然后很粗糙的均分为两半训练两个component的rootfilte。

这两个rootfilter的size也就直接由分到的posexamples决定了。

后续取正样本时，直接将正样本缩放成rootfilter的大小。

Phase2:

是LSVM训练。

Latentvariables有图像中正样本的实际位置包括空间位置（x,y）,尺度位置level，以及component的类别c，即属于component1还是属于component2。

要训练的参数为两个rootfilter，offset（b）

Phase3:

也是LSVM过程。

先提下子模型的添加。

作者固定了每个component有6个partfilter，但实际上还会根据实际情况减少。

为了减少参数，partfilter都是对称的。

partfilter在rootfilter中的锚点（anchorlocation）在按最大energy选取partfilter的时候就已经固定下来了。

这阶段的Latentvariables是最多的有：

rootfilter（x,y,scale）,partfilters（x,y,scale）。

要训练的参数为rootfilters,rootoffset,partfilters,defs（的偏移Cost）。

pascal_train.m

4.细节

4.1轮廓预测（BoundingBoxPrediction）仔细看下自行车的左轮，如果我们只用rootfilter检测出来的区域，即红色区域，那么前轮会被切掉一部分，但是如果能综合partfilter检测出来的boundingbox就能得到更加准确的boundingbox如右图。

这部分很简单就是用最小二乘（LeastSqures）回归，程序中trainbox.m中直接左除搞定。

4.2HOG

作者对HOG进行了很大的改动。

作者没有用4*9=36维向量，而是对每个8x8的cell提取18+9+4=31维特征向量。

作者还讨论了依据PCA（PrincipleComponentAnalysis）可视化的结果选9+4维特征，能达到HOG4*9维特征的效果。

这里很多就不细说了。

开题一个字都还没写，要赶着开题……主要是features.cc。

有了下面这张图，自己慢慢研究下：