您正在使用IE低版浏览器,为了您的雷峰网账号安全和更好的产品体验,强烈建议使用更快更安全的浏览器
此为临时链接,仅用于文章预览,将在时失效
人工智能 正文
发私信给AI研习社-译站
发送

1

丧尸目标检测:和你分享Python 非极大值抑制方法运行得飞快的秘诀

本文作者:AI研习社-译站 2018-08-06 15:59
导语:从重叠候选框里选出你的僵尸新娘:Python 目标检测框架加速一百倍的秘密

雷锋网按:本文为AI研习社编译的技术博客,原标题 (Faster) Non-Maximum Suppression in Python,作者为 Adrian Rosebrock 。

翻译 | 陶玉龙      校对 | 吴桐      整理 | MY


丧尸目标检测:和你分享Python 非极大值抑制方法运行得飞快的秘诀

我有一个困惑:我不能停止对目标检测的思考。

你知道的,昨晚在我在看《行尸走肉》时,不是享受僵尸野蛮和被迫吃人,或引人入胜的故事情节,我只想建立一个目标检测系统来对僵尸进行识别。

这个检测系统会很有用吗?可能不会。

我是说,如果一个僵尸跟在你后面那将是很明显的:光是那阵恶臭就会告诉你这是一个死人(嘿,看看这个一语双关)散发出来的,更不用说狰狞的牙齿和挥动的手臂。我们也可能会陷入那些从僵尸喉咙里发出的「脑子.... 脑子...」呻吟声中。

就像我说的,如果有一个僵尸在你身后,你当然不需要计算机视觉系统来告诉你这件事。但这只是一个每天都在我脑海里流淌的例子罢了。

为了给你一些相关信息,两个星期前,我在帖子中展示了如何使用直方图的方向梯度和线性支持向量机来建立一个目标检测系统。厌倦了 OpenCV Haar 复杂的结构和糟糕的性能,更不要说那么长的训练时间,因此我自己动手编写了自己的 Python 目标检测框架。

到目前为止,它运行得非常好,而且实现起来非常有趣。

但是在构建目标检测系统——重叠候选框这个不可回避的问题你必须处理。这是会发生的,没有任何办法可以绕过它。但事实上,这是一个很好的迹象,表明你的目标检测器正在进行合理的微调,所以我甚至不说它是一个「问题」。

为了处理这些需要移除的重叠候选框(对同一个对象而言),我们可以对 Mean Shift 算法进行非极大值抑制。虽然 Dalal 和 Triggs 更喜欢 Mean-Shift 算法,我却发现 Mean Shift 给出了低于平均值的结果。

在收到我朋友 Tomasz Malisiewicz 博士(目标检测方面的专家)的建议之后,我决定将他 Matlab 上实现的非最大抑制方法移植到 Python 上。

上周我向你们展示了如何实施 FelZeZZWalb 等方法。这周我要向你们展示 MalISIEWICZ 这种运行速度快 100 倍的方法。

注:我本来打算在十一月发布这篇博客,但由于我糟糕的拖延症,我花了很多时间才把这篇文章写出来。不过无论如何,它现在已经在网上了!

那么提速是从哪里来的呢?我们是如何获得这么快的抑制时间的呢?

继续阅读去找出答案。


(更快的)在Python上的非极大值抑制方法

在我们开始之前,如果你还没有读过上周关于非极大值抑制的帖子,我建议你先看一下那个帖子。

如果你已经看过那个帖子,那么在你最喜欢的编辑器中新建一个文件,命名为 nms.py,让我们开始创建一个更快的非极大值抑制实现方法:

丧尸目标检测:和你分享Python 非极大值抑制方法运行得飞快的秘诀

请花几秒钟时间仔细检查这个代码,将其与上周提出的 FelZeZZWalb 方法进行比较。

代码看起来几乎一样,对吧?

所以你可能会问自己:「这 100 倍加速是从哪里来的?」

答案是我们移除了一个内部循环结构。

上周提出的实现方法需要一个额外的内部循环来计算边界区域的大小和重叠区域的比率。

在本文中取而代之的是,Malisiewicz 博士用矢量化代码替换了这个内部循环,这就是我们在应用非极大值抑制时能够实现更快速度的原因。

与其像上周那样我一个人逐行逐行地阅读代码,不如让我们一起来看一下其中关键的部分。

我们这个更快的非极大值抑制函数第 6-22 行基本与上周相同。我们通过抓取检测框的(x,y)坐标,计算它们的面积,并根据每个框的右下 y 坐标将他们分类到框列表中。

 第 31-55 行包含我们的加速过程,其中第 41-55 行特别重要。我们不再使用内部 for 循环来对单独对每个框进行循环,而是使用 np.maximum 和 np.minimum 对代码进行矢量化,这使得我们能够在坐标轴上找到最大值和最小值而不仅仅是一个数。

注意:你在这里必须使用 np.maximum 和 np.minimum——它们允许您混合标量和向量。然而 np.max 和 np.min 函数就没有这样的功能,当你使用它们时,你会发现有一些非常严重的 bug 需要查找和修复。当我把算法从 Matlab 移植到 Python 时,我花了很长时间来解决这个问题。第 47 行和第 48 行也被矢量化,在这里我们计算每个矩形的宽度和高度来进行检查。相似的,第 51 行上的重叠率也被矢量化。从那里,我们只需删除我们的 IDX 列表中的所有条目,这些条目都大于我们提供的重叠阈值。通常重叠阈值在 0.3-0.5 之间。

Malisiewicz 等人提出的方法与 FelZeZnZWalb 等的基本相同。但通过使用矢量化代码,我们能够在非极大值抑制上实现 100 倍加速


运行更快的非极大值抑制方法

让我们继续并研究几个例子。我们从这张照片的顶部的一个恐怖的小女孩僵尸开始:

丧尸目标检测:和你分享Python 非极大值抑制方法运行得飞快的秘诀

图 1:图像中有 3 个检测边界框,但非极大值抑制方法让其中的两个重叠框消失。


......

想要继续阅读,请移步至我们的AI研习社社区:https://club.leiphone.com/page/TextTranslation/626

更多精彩内容尽在 AI 研习社。

不同领域包括计算机视觉,语音语义,区块链,自动驾驶,数据挖掘,智能控制,编程语言等每日更新。

手机端可以扫描二维码访问

丧尸目标检测:和你分享Python 非极大值抑制方法运行得飞快的秘诀

雷锋网雷锋网

雷锋网

雷峰网原创文章,未经授权禁止转载。详情见转载须知

丧尸目标检测:和你分享Python 非极大值抑制方法运行得飞快的秘诀

分享:
相关文章

知情人士

AI研习社(yanxishe.com)译站频道,传播前沿人工智能知识,让语言不再成为学习知识的门槛。(原雷锋字幕组)
当月热门文章
最新文章
请填写申请人资料
姓名
电话
邮箱
微信号
作品链接
个人简介
为了您的账户安全,请验证邮箱
您的邮箱还未验证,完成可获20积分哟!
请验证您的邮箱
立即验证
完善账号信息
您的账号已经绑定,现在您可以设置密码以方便用邮箱登录
立即设置 以后再说