改進SSD 算法對鳥類目標檢測研究

唐鑫鑫， 陸安江， 彭熙瞬， 高海韜

（貴州大學 大數據與信息工程學院， 貴陽 550025）

0 引 言

社會經濟的快速發展，對生態環境資源索取使用過度，自然環境被嚴重破壞。 鳥類是自然生態中重要的一員，據國際鳥類聯盟最新調查研究顯示，全球八分之一的鳥類面臨滅絕的危險，生存狀況日益惡化，數量下降呈現恐怖趨勢，保護鳥類刻不容緩。目前，鳥類的識別工作仍主要依靠人工先驗知識，時間成本過大。 通過人工智能技術構建一個智能鳥類識別分類系統，能夠節約人力成本，為鳥類保護貢獻一份力量。 鳥類識別算法主要分為兩類：基于部件的多級分類算法和基于端到端的分類算法。 基于部件的多級分類算法代表有Wah最先提出的基于傳統特征的詞包分類模型；Donahue 等人提出的基于CNN 的DeCAF 特征；Zhang 等人提出的自局部檢測到特征提取均采用CNN 架構的Partbased R-CNN 等。 基于端到端的分類算法有Fu 等人提出的RA-CNN 模型，基于遞歸神經網絡增強局部注意力及特征表達；Li 等人提出冪歸一化協方差矩陣MPN-COV；魏秀參提出的基于FCN 學習分割模型的Mask-CNN 算法等等。

本文使用改進過的Resnet50 網絡（稱作DLResnet50）替換SSD 的前置網絡VGG，對自制的鳥類數據集進行目標識別檢測分類。

1 SSD 模型的基本原理及結構

Wei Liu 在ECCV 2016 上提出了SSD 模型。 該模型全稱Single Shot MultiBox Detector，意思為單鏡頭多盒檢測器。 SSD 基于深度學習，是人工智能下的一種目標檢測模型，其前置網絡為VGG-16，是目前流行的目標檢測框架之一。 該算法會在圖片上均勻地產生若干個不同大小的候選框，且其長寬比均不相同，使用卷積層將圖像的特征提取出來，再進行回歸和分類。 SSD 模型網絡結構如圖1 所示。

圖1 SSD 模型網絡結構圖Fig. 1 Network structure diagram of SSD model

SSD 采用VGG-16 為前置網絡，將VGG-16 的2 個全連接層FC6 和FC7 替換為3×3 卷積Conv6 和1×1 卷積Conv7，將池化層Pool_5 由2×2 池化修改為3×3 池化，移除Dropout 層和全連接層FC8，并添加4 個新的卷積層：Conv8、Conv9、Conv10、Conv1l 。其處理過程中如激活函數全部采用ReLU，且均在卷積操作結束后使用，池化操作不使用激活函數，做卷積與池化交替計算，假設輸入的圖像尺寸為224×224×3，則每一步的計算與圖像尺寸見表1。

表1 VGG16 計算過程圖像變化Tab. 1 Image changes during VGG16 calculation process

最后的輸出圖像與兩層1×1×4 096，一層1×1×1 000進行全連接，即共有3 層全連接層，最后再通過ReLU激勵函數激活，輸出的預測結果可以有1 000 個。

不同特征圖的每個特征點上都有一組默認先驗框與之對應，因此SSD 模型預測的時候計算默認先驗框的位置偏移和置信度。

SSD 的損失函數值包含兩個部分： 置信度（L） 和定位（L）， 而損失函數就是這兩者的加權和。 置信度損失L的計算公式（1）如下：

SSD 算法需要計算兩部分，即相應的先驗框與目標類別的置信度和相應的位置回歸。

其中，參數∈（0，1），表示默認框和實際檢測框的匹配是否成功；參數作用類似于權重，用來平衡置信損失和位置損失；是分類置信度；代表預測框；代表真實標簽框；是與該類別的校準框匹配的默認框數量，當0 時，說明損失為0。

2 SSD 模型改進

2.1 SSD 模型存在的問題

SSD 的優點在于采取多尺度特征融合策略，利用多個卷積層的輸出參與預測，提升了檢測精度；直接使用默認框進行檢測，沒有候選區域生成的過程，提升了檢測速度。 但對小目標的魯棒性差，會有識別不出來的問題。 根據VGG 網絡的特性，增加網絡層數后提升的效果并不明顯，因為出現了網絡退化的問題，退化問題阻礙了網絡收斂，不僅增加了訓練誤差，也增加了測試誤差，降低了網絡精度。

為了提升網絡訓練的識別準確率，最簡單直接的方式是增加網絡層數，以增加對目標特征的學習次數。 但若只是盲目增加網絡層數，問題并沒有得到解決；相反地，還會導致錯誤率的突然上升，產生此問題的原因是發生了梯度消失。

2.2 改進ResNet50 網絡結構

ResNet50 網絡中提出的殘差結構（Residual Block） 主要目的是解決網絡退化問題，ResNet50的殘差網絡學習單元如圖2（a）所示。

ResNet50 網絡由多個殘差模塊構建而成，其函數表達式為式（4）：

其中，為輸入；（） 表示殘差映射；（） 表示殘差網絡的特征輸出。

當（）0 時，表示該卷積層做恒等映射；當（）0，表示該卷積層學習到新的特征信息，從而保證反向傳播時的梯度傳遞，有效解決了網絡訓練過程中存在的梯度消失和網絡退化問題。

本文對ResNet50 網絡的改進結構如圖2（b）所示，將改進后ResNet50 的網絡稱為DL-ResNet50。

圖2 兩個殘差學習單元對比Fig. 2 Comparison of two residual learning units

由于ResNet50 網絡訓練過程中易出現過擬合，為了進一步提高該網絡的識別精度，本文在原網絡最后一個卷積層后加入Dropout 層和3 層全連接層，用Leaky-relu 函數取代原網絡的ReLU 函數。

加入Dropout 層和3 層全連接層后，可以讓ResNet50 網絡過擬合的機率有效下降，改善增強模型泛化能力。 當網絡輸入0 時，ReLU 函數無法更新，從而模型不能訓練學習特征。 而Leaky-relu函數在輸入0 時輸出持續變化，更新權重繼續學習。 改進的SSD 模型工作流程如圖3 所示。

3 實驗結果分析

圖3 改進SSD 模型工作流程Fig. 3 Improved SSD model workflow

3.1 數據預處理

本次數據集從文獻［12］所記錄的鳥類中隨機選取10 種，分別是黑頸鶴、灰鶴、斑頭雁、黃眉柳鶯、白鷺、大斑啄木鳥、山斑鳩、喜鵲、赤麻鴨以及烏鴉，共計4 830 張圖片，為了保證模型識別效果，防止模型過擬合，對數據圖像進行鏡像翻轉處理，增加數據集數量，將數據集按照模型比例6 ∶4 ∶1 分配劃分為訓練集、驗證集、測試集。

為了更好的訓練模型，對收集的圖像數據灰度化、均衡化以及歸一化處理，如圖4 所示，其中（a）為原圖，（b）表示經過加權均值灰度化的圖，（c）表示經過直方圖均衡化后的灰度圖。 對比（b）和（c）可以明顯看出圖中的目標與背景的差異變大。 再利用labelImg-master 工具在圖中框出目標位置及類型，即可獲取目標的像素信息。

圖4 圖片處理對比Fig. 4 Comparison of image processing

3.2 實驗結果對比

本文實驗平臺選取 tensorflow 開源框架，Windows10 系 統，python3. 6 編 程 語 言，cuda9. 0，cudnn7.0， NVIDIIA GTX2060 顯卡。

本文實驗以模型損失值曲線變化、平均交并比（Average Intersection Over Union， Avg IOU）以及AP曲線來作為評估依據，分別在SSD、SSD+ResNet50以及SSD+DL-ResNet50 3 個模型下做實驗對比。 3個模型實驗訓練參數一致，訓練批次大小為8，迭代300 次，初始學習率為0.001，權值衰減系數為0.000 5。損失值曲線變化如圖5 所示。

圖5 3 種模型的損失值曲線Fig. 5 Loss value curves of the three models

本文所提算法SSD+DL-ResNet50（紅色線）收斂速度最快且最終損失值最小，穩定在1.3 左右。 SSD+ResNet50（綠色線）次之，原SSD 模型最慢損失值也最高，約2.1，本文算法在損失值這一項上降低了約0.8。

在目標檢測中常表示預測框和真實框相交面積與相并面積的比值，比值越接近1 效果越好，公式（5）。

其中，A表示目標預測框面積，表示目標真實檢測框的面積。

通過實驗結果可得3 個模型的交并比變化曲線，如圖6 所示。 由圖6 可知，隨著迭代次數的增加，3 種模型的交并比值都逐漸增加，但是由紅色線可知本文改進模型DL-ResNet50 SSD 的值均高于綠色線ResNet50 SSD 模型和藍色線原SSD 模型。

圖6 3 種模型交并比變化曲線Fig. 6 Intersection ratio change curves of the three models

本文選擇準確率和召回率來作為目標檢測的性能評估標準，準確率就是測試檢測正確的目標在所有樣本中所占的比例，計算表達如式（6）。 召回率則表示在所有真實目標中被正確檢測出來的占比，計算表達如式（7）。

其中，表示準確率；表示召回率；表示模型正確檢測的目標個數；表示模型錯誤檢測的目標個數；表示模型漏檢的正確目標個數。

實際上， 準確率和召回率往往是此消彼長，難以兼得，因此將計算得到的、值繪制成曲線圖，綜合考慮曲線下的面積值大小來評估各類別檢測性能，值越大表示模型檢測精度越高，即性能越好，計算公式（8）。

針對多個類別，使用平均值評估模型整體性能，公式（9）。

斑頭雁和灰鶴兩種類別的鳥在原SSD 模型、用ResNet50 替換VGG 網絡的SSD 模型還有本文提出的改進ResNet50 取代VGG 的SSD 模型下的變化值如圖7 所示。 對比分析，本文所提算法的值更大，模型精確度更高。

SSD、SSD 中已有的VGG 網絡替換為ResNet50以及改進ResNet50 取代VGG 的SSD 模型下的檢測精度對比見表2，可知本文的改進算法在總體的檢測精度上比原SSD 提升5 個點

表2 3 種模型檢測精度Tab. 2 Detection accuracy of the three models

檢測結果如圖8 所示，其中（a）是原SSD 模型的檢測結果，可以看到有些被遮擋的目標沒有被檢測到，（b）圖是改進后的SSD 模型檢測結果，雖然有的被遮擋目標也沒有被檢測出，但是增加了2 個目標檢測框。

圖7 3 種網絡的AP 曲線Fig. 7 AP curves of the three networks

圖8 檢測結果Fig. 8 Detection results

4 結束語

本文提出一種用改進ResNet50 網絡，取代SSD模型的基準網絡VGG 的SSD 模型算法對鳥類目標進行檢測研究。 通過實驗對比可知，本文提出的算法在模型收斂速度、檢測精度以及多目標檢測方面都有改善提升。 本文數據集種類只有10 類，因此下一步的研究工作是增加數據集種類以及數量，將算法融合進系統之中，實現一個完整的鳥類識別分類系統。