传统目标检测之卷积神经网络

提起卷积神经网络(CNN)，应该很多人都有所耳闻。自从2012年AlexNet在ImageNet挑战赛一举夺魁，它再一次的回到的人们的视野。

为什么称之为"再一次"，因为CNN并不是近几年的产物，<!--more-->早在20世纪90年代Yann LeCun就提出了最基础的卷积神经网络模型(LeNet)，但是由于算力和数据的限制，它一直处于一种被冷遇的地位，传统目标识别方法，例如之前所讲到的SIFT、HOG、DPM占据着不可撼动的统治地位。

但是随着算力的提升和数据集的积累，这一切都变了，在AlexNet成功之后，CNN如同雨后春笋一样，每年各种各样的Net数不胜数，近其中知名的就有AlexNet、VGG、GoogleNet、UNet、R-CNN、FCN、SSD、YOLO等。

入门计算机视觉领域的绝大多数同学应该都学过或听说过斯坦福大学的公开课(CS231n: Convolutional Neural Networks for Visual Recognition)，主要就围绕CNN进行展开，甚至很多近几年入门计算机视觉的同学就斩钉截铁的认为，计算机视觉就是卷积神经网络，我认为这有一些"一叶障目，不见泰山的"感觉。

CNN只是计算机视觉的一个子集，而且是一个很小的子集，更确切的说，计算机视觉是一种应用性技术，CNN是一种工具。

但是，不可否认，CNN是目前阶段我们能力所达到的、在大多数CV方向应用最为成功的一项技术，尤其是R-CNN系列和YOLO系列，在商业中，例如交通监测、车站安检、人脸识别应用非常多，效果对比于传统目标识别算法也要好很多，所以，它是学习计算机视觉中非常重要的一环，本文就概述一下近年来比较成功的CNN模型。本文只是用简略的语言进行概述，后续会挑选一些比较经典的模型进行详解和编程实现。

卷积神经网络概述

按功能对卷积神经网络进行分类主要可以分为两类，

检测(detection)

分割(segmentation)

检测的目的是要判断一副图像中是否有特定的目标，以及它所在的位置，通过一些手段识别出它所在的包围合区域。

分割的目的要更加严格一些，它不仅要识别出目标的所在区域，还要分割出目标的边缘，尤其在CNN图像分割领域，和传统的图像分割不同，它不能简单的依靠梯度变化幅度把目标分割出来，还需要进行语义上的分割，识别到像素级的类别。

目前比较知名的用于识别的CNN模型有，

AlexNet

VGG

R-CNN系列

Resnet

MobileNet

YOLO系列

在分割方面比较知名的CNN模型有，

Mask R-CNN

FCN

U-Net

SegNet

CNN中主要用到的技术

系统学习以上上述所提到的知名CNN模型会发现，其中所使用到的技术手段大同小异，而那些知名度较小的CNN模型更是如此，创新点更是微乎其微，其中所使用到的技术主要有，

卷积

池化

基础块

Dropout

跳跃连接

锚点

优化算法

激活函数

批量正则化

回归

卷积和池化是非常基础的，在特征提取过程中至关重要。

大林上位机机器视觉_苏州电工培训_苏州PLC培训_苏州上位机培训_苏州机器视觉培训_苏州工业机器人培训_最适合电工及plc编程人员学习的上位机机器视觉课程 大林老师：15861139266（微信同号）

基础块的思想最初出自于VGG，它在AlexNet的基础上进行了很大的改进，基础块思想的引入增加了网络的重用性，后续很多模型都死在这一举出上进行改进的，因此，在很多后续的网络模型都是以VGG为基础模型。

Dropout这个几乎成了CNN模型中必不可少的一个组件，它在应对过拟合问题中具有非常重要的价值。

跳跃连接最初出现在ResNet，在网络的不断改进中发现，其中的思想都是使网络越来越深，网络适当的加深的确能够带来识别精度的提到，但是真的越深越好吗？当然不是。随着网络的加深，很容易出现梯度消失和梯度爆炸现象，ResNet中提出的跳跃连接在后来的网络模型中扮演者非常重要的角色。

锚点这一概念最初是在2008年的DPM模型中看到，后来Faster R-CNN中主要的使用了这项技术，使得它名声大噪，后来的经典模型几乎都用到了锚点这个思想。

优化算法对于上述CNN模型的价值自然不言而喻，梯度下降、Adam、牛顿法等，可以说这是深度计算机视觉的核心所在，也是理论体系最完善、最能够用数学模型解释的一部分。

激活函数和Dropout一样，也是CNN模型中必不可少的一个组件，它的主要价值在于解决模型的线性不可分问题，把非线性的特性引入到网络模型中。

批量正则化也是CNN中常用的一个功能，它的主要作用是加速模型的收敛，避免深层神经网络的梯度消失和梯度爆炸。

回归中用到的较多的自然是softmax，它将经过各种网络层处理得到的特性向量进行回归，得到每一个类别对应的概率，在多分类问题中是一个必不可少的功能。

CNN模型架构

纵观上述所提及的经典CNN模型，它们的模型架构非常相似，主要包含如下几个部分：

输入层

特征提取层

全连接层

回归

输出层

输入层主要是用于读取图像，用于后面的网络层使用。

特征提取层主要通过卷积来获取图像局部的特征，得到图像的特征图。

全连接层用于对特征层进行后处理，然后用于回归层处理。

回归主要通过一些回归函数，例如softmax函数来对前面得到的特征向量进行处理，得到每个类别对应的概率。

输出层用于输出检测和分类的结果。

当然，在这个过程中某些环节会用到上述提到的激活函数、批量正则化、优化算法以及非极大值抑制。

搭建CNN目标识别系统

有了上述强大的模型，在实际项目中该怎么搭建一个有价值的CNN目标识别系统呢？我认为主要分为如下几个步骤，

数据获取

数据预处理

模型搭建

数据后处理

在CNN，乃至整个深度学习领域都可以说数据获取是至关重要的一部分，甚至可以说占据了超过50%的地位。深度学习的发展主要就是得益于这么多年来数据的积累，很多项目和工程也是由于数据的限制和却是只能中途作废。因此，数据获取部分是搭建目标识别系统中最重要的一个环节，它直接决定着是否能够继续走下去。

目前有一些公开的数据集可以获取，例如MNIST、Pascal VOC、ImageNet、Kaggle等。如果自己所做的方向恰好巧合，这些公开数据集里有相应的数据，那么的确是幸运的，可以从这些数据中直接获取。

数据预处理对于CNN同样非常重要，各种视频、摄像头在数据采集的过程中很难保证数据是有价值的，或者干净的，这里就需要对数据进行去噪、去模糊、增强分辨率，如果数据集不充足，还需要对数据进行扩充。

模型搭建我认为是这几个环节中相对较为容易的一部分，首先目前这些经典的框架都有开源的项目，有的甚至不止一个版本，我们可以借鉴甚至直接拿来用这些模型。即便不愿意选择开源的项目，也可以使用tensorflow、pytorch进行搭建，其中需要的代码量是非常有限的。

输出检测的结果需要进行非极大值抑制、绘出包围合等后续工作，以及和一些系统进行对接，这样它才是一个可用的完整系统。

一、课程目标

本公司本着为工控事业培育和输出从电工基础到机器视觉的人才理念，着力于让小白成为工控业专家为目标。

大林上位机视觉软件培训专家特开设从电工基础、PLC、运动控制、上位机、工业机器人、机器视觉培训课程，为实现工业4.0事业而不懈努力。

机构课程全程真实教学、实干为主，不装逼，不扯淡，只唠干货，能做项目！！

二、老师介绍

大林老师

是专业从事上位机视觉软件的开发与培训，多年从事上位机机器视觉相关项目开发，对电气人员学习C#开发视觉软件有独到的见解，即使您是零基础或只要从事过电气自动化相关工作的学员都能够轻松快速学会。

三、校区介绍

大林上位机机器视觉培训机构，分为两个校区，苏州校区（苏州木渎），常州校区（常州新北）

四、硬件设施

校区提供2000多平方的实训基地，完美的设备硬件配套，可以做到边学习边操作，鉴于本机构隶属于某自动化公司，学员可以配合边学习边配合公司开发人员完成项目，这样学习起来事半功倍

五、毕业服务

学业完成后本公司可以择优录取，在我们自动化公司的实习，解决您的后顾之忧

六、课程对象

1.零基础无任何相关知识

2.有电气及PLC编程基础的更容易入手

3.需要系统性提升整体能力

4.跨行业转型

5.想拥有一份体面高收入

6.对自己前途迷茫

7.学历低英语不好

七、课程特色

为您量身提供零基础快速成为上位机及机器视觉软件开发专家的学习方案

承接企事业单位定制个性化学员集体培训。

八、课程内容

小白亦可通过学习成为工业软件开发专家，从电气图，到梯形图，到高级语言SCL，再到C#，突破高级语言难的瓶颈，轻松掌握。

从零开始，从电气基本元件入手，跟随课程递进学习，PLC，工业机器人，数据库，运动控制器，上位机，机器视觉，统统一网打尽。

欢迎亲临现场咨询，老师私人定制课程 ，学习更清晰！

九、授课方式

1、线下现场授课更直观，知识点更易吸收，现场互动更易理解和运用。

      1，赠送老师录制课程随时随地轻松学习

      2，赠送配套书籍不限环境随意学习

      3，课间和课后答疑知识掌握更牢固

      4，现场设备随意使用，人机结合熟练运用，加深知识理解。

      5，老师指导完善简历，轻松上岗。

2、线上视频录播课程-整套

      1，赠送配套书籍不限环境随意学习

      2，售后答疑轻松解答

      3，福利：线下报名课程原价抵扣

3、 线上视频课程+现场设备实操

      1，赠送配套书籍不限环境随意学习

      2，售后答疑轻松解答

      3，现场和课后答疑知识掌握更牢固

      4，现场设备随意使用，人机结合熟练运用，加深知识理解

      5，福利：线下报名课程原价抵扣

苏州激光3D视觉检测培训_苏州机器视觉测量软件编程培训_苏州机器视觉缺陷检测软件开发培训_苏州机器视觉与运动控制卡开发培训_苏州机器视觉与雷赛运动控制卡开发培训_苏州视觉引导无序抓取培训_苏州视觉引导机器人定位培训

苏州上位机软件开发学习_苏州上位机编程学习_苏州上位机软件开发学习学校_苏州C#与上位机开发学习_苏州C#上位机编程学习_苏州VSC#编程学习_苏州C#与工业自动化编程学习_苏州C#与PLC监控学习_苏州C#与PLC编程上位机软件学习_苏州C#与工业机器人编程学习