图像检测

PaddlePaddle Fluid在图像检测任务中实现了多个特有的操作。以下分模型介绍各个api:

通用操作

图像检测中的一些通用操作,是对检测框的一系列操作,其中包括:

  • 对检测框的编码,解码(box_coder):实现两种框之间编码和解码的转换。例如训练阶段对先验框和真实框进行编码得到训练目标值。API Reference 请参考 box_coder
  • 比较两个检测框并进行匹配:
    • iou_similarity:计算两组框的IOU值。API Reference 请参考 iou_similarity
    • bipartite_match:通过贪心二分匹配算法得到每一列中距离最大的一行。API Reference 请参考 bipartite_match
  • 根据检测框和标签得到分类和回归目标值(target_assign):通过匹配索引和非匹配索引得到目标值和对应权重。API Reference 请参考 target_assign
  • 对检测框进行后处理:
    • box_clip: 将检测框剪切到指定大小。API Reference 请参考 box_clip
    • multiclass_nms: 对边界框和评分进行多类非极大值抑制。API Reference 请参考 multiclass_nms

RCNN

RCNN系列模型是两阶段目标检测器,其中包含`Faster RCNN <https://arxiv.org/abs/1506.01497>`_,Mask RCNN,相较于传统提取区域的方法,RCNN中RPN网络通过共享卷积层参数大幅提高提取区域的效率,并提出高质量的候选区域。RPN网络需要对输入anchor和真实值进行比较生成初选候选框,并对初选候选框分配分类和回归值,需要如下五个特有api:

  • rpn_target_assign:通过anchor和真实框为anchor分配RPN网络的分类和回归目标值。API Reference 请参考 rpn_target_assign
  • anchor_generator:为每个位置生成一系列anchor。API Reference 请参考 anchor_generator
  • generate_proposal_labels: 通过generate_proposals得到的候选框和真实框得到RCNN部分的分类和回归的目标值。API Reference 请参考 generate_proposal_labels
  • generate_proposals: 对RPN网络输出box解码并筛选得到新的候选框。API Reference 请参考 generate_proposals
  • generate_mask_labels: 通过generate_proposal_labels得到的RoI,和真实框对比后进一步筛选RoI并得到Mask分支的目标值。API Reference 请参考 generate_mask_labels

FPN

FPN 全称Feature Pyramid Networks, 采用特征金字塔做目标检测。 顶层特征通过上采样和低层特征做融合,并将FPN放在RPN网络中用于生成候选框,有效的提高检测精度,需要如下两种特有api:

  • collect_fpn_proposals: 拼接多层RoI,同时选择分数较高的RoI。API Reference 请参考 collect_fpn_proposals
  • distribute_fpn_proposals: 将多个RoI依据面积分配到FPN的多个层级中。API Reference 请参考 distribute_fpn_proposals

SSD

SSD 全称Single Shot MultiBox Detector,是目标检测领域较新且效果较好的检测算法之一,具有检测速度快且检测精度高的特点。与两阶段的检测方法不同,单阶段目标检测并不进行区域推荐,而是直接从特征图回归出目标的边界框和分类概率。SSD网络对六个尺度特>征图计算损失,进行预测,需要如下五种特有api:

  • 根据不同参数为每个输入位置生成一系列候选框。
  • multi_box_head :得到不同prior box的位置和置信度。API Reference 请参考 multi_box_head
  • detection_output:对prioir box解码,通过多分类NMS得到检测结果。API Reference 请参考 detection_output
  • ssd_loss:通过位置偏移预测值,置信度,检测框位置和真实框位置和标签计算损失。API Reference 请参考 ssd_loss
  • detection map: 利用mAP评估SSD网络模型。API Reference 请参考 detection_map

YOLO V3

YOLO V3 是单阶段目标检测器,同时具备了精度高,速度快的特点。对特征图划分多个区块,每个区块得到坐标位置和置信度。采用了多尺度融合的方式预测以得到更高的训练精度,需要如下两种特有api:

  • yolo_box: 从YOLOv3网络的输出生成YOLO检测框。API Reference 请参考 yolo_box
  • yolov3_loss:通过给定的预测结果和真实框生成yolov3损失。API Reference 请参考 yolov3_loss

RetinaNet

RetinaNet 是单阶段目标检测器,引入Focal Loss和FPN后,能以更快的速率实现与双阶段目标检测网络近似或更优的效果,需要如下三种特有api:

  • sigmoid_focal_loss: 用于处理单阶段检测器中类别不平均问题的损失。API Reference 请参考 sigmoid_focal_loss
  • retinanet_target_assign: 对给定anchor和真实框,为每个anchor分配分类和回归的目标值,用于训练RetinaNet。API Reference 请参考 retinanet_target_assign
  • retinanet_detection_output: 对检测框进行解码,并做非极大值抑制后得到检测输出。API Reference 请参考 retinanet_detection_output

OCR

场景文字识别是在图像背景复杂、分辨率低下、字体多样、分布随意等情况下,将图像信息转化为文字序列的过程,可认为是一种特别的翻译过程:将图像输入翻译为自然语言输出。OCR任务中需要对检测框进行不规则变换,其中需要如下两个api: