計算機視覺視域下物體抓取識別算法研究

王海寬

（晉城職業(yè)技術(shù)學(xué)院，山西 晉城 048026）

目前在深度學(xué)習(xí)的計算機視覺之下，在對圖像進行識別的時候往往采取檢測、對比和分類的方式展開。在檢測的時候，一方面要保證物體上具有十分清晰的標簽，另一方面，要求采取合適的方式將物體具體位置標注清楚，以簡單的操作來避免在后期處理期間出現(xiàn)大量人力資源和物力資源消耗。就某些實際場景而言，例如在自動駕駛環(huán)境下，需要對過往的行人和行駛的車輛作出檢測，明確目標所在位置。基于計算機視覺領(lǐng)域任務(wù)不同，在解釋弱監(jiān)督學(xué)習(xí)時也有所不同，基本上分為以下兩種：第一種是對于圖像中所出現(xiàn)的物體進行標明；第二種是模型在學(xué)習(xí)的過程當(dāng)中，僅僅是將物體存在的相關(guān)信息提供給設(shè)備，而不必將物體真實出現(xiàn)的位置提供給設(shè)備。詳細地說，便是識別算法僅僅需要將目標視域下的物體數(shù)量和類別作出感應(yīng)即可。基于此種數(shù)據(jù)集所獲得的模型可以順利地推斷出全新的數(shù)據(jù)信息，直接將目標的數(shù)量和種類計算得出。

一、計算機視覺視域下識別物體

（一）構(gòu)建識別物體網(wǎng)絡(luò)結(jié)構(gòu)模型

當(dāng)神經(jīng)網(wǎng)絡(luò)加深時，則表明神經(jīng)網(wǎng)絡(luò)在表示具有復(fù)雜性的特征時，會表現(xiàn)出更好的能力。但是，若只是將網(wǎng)絡(luò)的深度采取加深處理，也會在一定程度上導(dǎo)致在反向傳播的算法之中發(fā)生梯度傳播的異常現(xiàn)象，最終得到的結(jié)果是訓(xùn)練的神經(jīng)網(wǎng)絡(luò)失去效果。若是想要解決這種問題，那么靈活性地運用BatchNormalization方法或者是權(quán)重初始化的方法便是最好的解決方案。但是，即使是有了這兩種方法，若是持續(xù)加深網(wǎng)絡(luò)深度，模型訓(xùn)練結(jié)果的準確性也不會再次被提升，甚至準確率出現(xiàn)不同程度的下降，這種現(xiàn)象為訓(xùn)練準確率下降。根據(jù)退化結(jié)果顯示，想要對深層模型展開合理化的訓(xùn)練，面臨較大的困難。于是ResNet為解決出現(xiàn)的深度學(xué)習(xí)模型退化的問題，提出了殘差學(xué)習(xí)法。

將輸入的數(shù)據(jù)假設(shè)為x，普遍情況下神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)映射H（x）的過程中，需要借助于幾個不同的堆疊層。ResNet學(xué)習(xí)的內(nèi)容是神經(jīng)網(wǎng)絡(luò)模型映射與輸出時所產(chǎn)生的殘差，即：

將公式1.1變換形式，得到的結(jié)果如下所示：

盡管在計算的環(huán)節(jié)之中，這兩種方法表示的內(nèi)容呈等價形式，但是通過實際的試驗結(jié)果得知，在訓(xùn)練的時候，運用殘差學(xué)習(xí)更加容易。ResNet的殘差學(xué)習(xí)法在研究的時候，通過使用幾個不同的堆疊殘差模塊表示出來，可以把殘差結(jié)果的形式轉(zhuǎn)化成為以下方式：

y=F（x，{Wi}）+x （公式1.3）

在公式1.3當(dāng)中，F(xiàn)（x，{Wi}）所表示的含義主要是需要進行學(xué)習(xí)的殘差映射。

通過圖1可以得知，殘差映射的結(jié)構(gòu)總共有兩層，可以對其表示如下：

圖1 學(xué)習(xí)殘差結(jié)構(gòu)圖

公式1.4中，a所表示的含義為Relu激活函數(shù)。在圖1.1之中，總共劃分成為兩層，在實現(xiàn)ResNet殘差學(xué)習(xí)的時候，大量的選擇運用了兩層殘差結(jié)構(gòu)或者是三層殘差結(jié)構(gòu)，但是在實際ResNet殘差學(xué)習(xí)過程中，卻沒有對數(shù)量的限制問題。若是僅僅有一層的時候，那么殘差結(jié)構(gòu)將會類比為一個線性層，所以在分析環(huán)節(jié)，已經(jīng)不再有必要可用單層殘差結(jié)構(gòu)。

F（x）+x在ResNet殘差學(xué)習(xí)實現(xiàn)，需要通過連接shortcut元素和相加逐元素，將其相加以后，獲得的結(jié)果將會在下一個Relu激活函數(shù)中被使用。從本質(zhì)上而言，shortcut連接所實現(xiàn)的功能是恒等映射（Indentity Map）在模型當(dāng)中輸入的x值。倘若是情況相對比較計算，那么獲得的殘差F（x）結(jié)果將會為零，從而導(dǎo)致整個殘差模塊只能夠完成一次恒等映射。這種現(xiàn)象是受神經(jīng)網(wǎng)絡(luò)直接決定的。假如x與F（x）所處的維度存在差異，那么在促使兩個數(shù)值的維度相同的時候，可以借助于公式1.5：

但是通過ResNet殘差學(xué)習(xí)的試驗結(jié)果可以得到，在解決退化的問題中，運用恒等映射具有積極作用，同時還相對比較簡單，在計算的時候，復(fù)雜度低且計算量不高。ResNet殘差學(xué)習(xí)結(jié)構(gòu)能夠為深度學(xué)習(xí)模型退化的問題提供解決方案。ResNet殘差學(xué)習(xí)模型在ImageNet數(shù)據(jù)集之上，最深能夠達到152層，并且擁有相對較高的準確率。

（二）損失函數(shù)分析

損失函數(shù)（Loss Function）衡量模型所表現(xiàn)出的含義為選擇樣本X標簽y和預(yù)測值Y之間的差異化程度，其中X的取值為{x1，x2，……，xn}，y的取值為{y1，y2，……，yn}，Y的取值為{Y1，Y2，……，Yn}，損失函數(shù)模型差異程度的結(jié)果記作L（Y，y）。經(jīng)過計算得知，損失函數(shù)所獲得的結(jié)果為非負數(shù)，函數(shù)結(jié)果的幅值和預(yù)測的準確度兩者之間呈現(xiàn)出負相關(guān)關(guān)系。在分析損失函數(shù)的時候，最為常用的類型基本上可以分為以下幾種。

第一，0-1損失函數(shù)（0-1 Loss Function），其表現(xiàn)形式如下所示：

第二，平方損失函數(shù)（Quadratic Loss Function），其表現(xiàn)形式如下所示：

第三，絕對損失函數(shù)（Absolute Loss Function），其表現(xiàn)形式如下所示：

第四，對數(shù)損失函數(shù)（Logarithmic Loss Function），其表現(xiàn)形式如下所示：

以計算機視覺所特定的任務(wù)作為出發(fā)點，在實施任務(wù)的時候要以特定編碼方式作為依據(jù)，進而能夠快速且準確地得到損失函數(shù)的標簽y。

在機器的學(xué)習(xí)環(huán)節(jié)，一般情況下在實現(xiàn)某個特定任務(wù)的時候，需要對單個模型展開優(yōu)化和設(shè)計，比如想要實現(xiàn)圖像分類任務(wù)，可以通過CNN設(shè)計實現(xiàn)目標。大多數(shù)情況下，為了切實保障設(shè)計與學(xué)習(xí)環(huán)節(jié)獲得良好的效果，提升結(jié)果的準確度。另外，在對預(yù)測結(jié)果實施優(yōu)化期間，還可選擇應(yīng)用集成學(xué)習(xí)（Ensemble Leaning）的策略，從而實現(xiàn)優(yōu)化的目標。在保證其他任務(wù)環(huán)節(jié)處理妥帖的時候，使用遷移學(xué)習(xí)法（Transfer Leaning）快速獲取模型。利用多任務(wù)識別（Multi-Task Leaning）對不同任務(wù)共性和相似展開識別的能力，完成對不同的任務(wù)進行學(xué)習(xí)的目的，完成訓(xùn)練的模型具備處理多種任務(wù)的能力。

在深度學(xué)習(xí)的領(lǐng)域當(dāng)中，多任務(wù)學(xué)習(xí)需要以相關(guān)指標作為依據(jù)，劃分成兩個層面。第一種是隱含層的硬件參數(shù)共享（Hard Parameters Sharing），第二種是隱含層的軟件參數(shù)共享（Soft Parameters Sharing）。神經(jīng)網(wǎng)絡(luò)中，硬參數(shù)共享是使用較為頻繁的方法，這種方法的使用能夠?qū)崿F(xiàn)對不同操作任務(wù)實施共享權(quán)重的目的，在任務(wù)之中完成對于不同輸出層的添加工作。［1］在軟參數(shù)共享當(dāng)中，所有的任務(wù)都具有獨特的參數(shù)和模型，但是在實際的運用環(huán)節(jié)，會因為部分措施的使用發(fā)現(xiàn)參數(shù)之間存在的相似性。

構(gòu)建的模型，其主要目標是將圖像之中所出現(xiàn)目標的不同種類、種類的不同數(shù)量展開快速識別。就識別目標種類的時候，是分類標簽的過程，識別目標數(shù)量，則是屬于回歸性質(zhì)的問題。［2］

（三）實現(xiàn)平臺分析

訓(xùn)練和推斷深度神經(jīng)網(wǎng)絡(luò)的時候，CPU所具備的計算結(jié)構(gòu)是多核且并行的，流處理器的數(shù)量在普遍情況下能夠達到數(shù)千個，在深度學(xué)習(xí)的環(huán)節(jié)之中，可以實現(xiàn)矩陣計算的優(yōu)化目標，表現(xiàn)出良好的可行性。［3］

二、計算機視覺視域下識別物體行為

（一）數(shù)據(jù)集分析

行為識別模型在構(gòu)建的時候，其訓(xùn)練集則是運用了開源的MERL Shopping Dataset，并且構(gòu)建完成的模型可以在便利店中進行使用，通過觀察獲得模型的良好表現(xiàn)結(jié)果。［4］

MERL Shopping Dataset的組成是106段大約有兩分鐘時間長度的視頻，三部分分別為訓(xùn)練集部分、驗證集部分、測試集部分。利用MERL Shopping Dataset嚴格劃分了數(shù)據(jù)集，為后期的對比效果獲取提供便利。另外對訓(xùn)練完好的模型投放進入真實的環(huán)境下展開實驗，MERL Shopping Dataset能夠?qū)υ诒憷甑恼鎸嵀h(huán)境中展開購物活動的試驗人員，參與到試驗活動的相關(guān)人員，在每做出一個動作的時候，形成細粒度（Fine-Grained），試驗人員會在識別的范圍之內(nèi)作出五種不同的動作，數(shù)據(jù)集便通過使用對起始幀和結(jié)束幀展開標準的方式，對識別單位之內(nèi)的人員所表現(xiàn)出來的動作基本類別作出相應(yīng)的分析與識別。在本文的分析過程中，需要標注好試驗活動參與人員的每個動作，將他們的活動行為間隔定義為episode。

（二）物體運行行為信息

就識別物體運動的行為而言，將運動信息提取完成具有至關(guān)重要的作用，在組織識別任務(wù)期間，光流法是最為有效的措施之一。這種方法基本原理是光流在運動期間，運動目標外表保持穩(wěn)定。［5-6］FlowNet是自文獻資料查閱中，最早通過使用網(wǎng)絡(luò)端對端得到光流算法的，但是其實現(xiàn)的效果和具有的優(yōu)勢，仍舊沒有達到傳統(tǒng)算法效果和優(yōu)勢。深化研究FlowNet研究，效果獲得了顯著提升，但是其仍舊只能在小位移的物體運動活動中具有合理性。就本次研究所使用的數(shù)據(jù)集而言，后期研究得到的FlowNet所得到的效果如圖2所示：

圖2 FlowNet光流運動信息

（三）構(gòu)建識別物體行為網(wǎng)絡(luò)結(jié)構(gòu)模型

識別物體行為的模型構(gòu)建是基于雙流神經(jīng)網(wǎng)絡(luò)，VGG-16卷積層部分被運用在時序流和空域流兩個部分的基礎(chǔ)網(wǎng)絡(luò)工作之中。在訓(xùn)練的時候，是將空域流和時間流分離的，但是可全部運用交叉熵損失函數(shù)完成數(shù)據(jù)分析。在測試時序流和空域流期間，兩者的網(wǎng)絡(luò)運行狀態(tài)處于并行狀態(tài)，利用Softmax實現(xiàn)五維向量輸出，得到的結(jié)果表示六個不同類別的置信度。本文在探究中所選擇的方式是遲融合，相加時序流和空域流兩部分網(wǎng)絡(luò)所輸出的五維向量，最終所得到的預(yù)測結(jié)果是兩部分相加結(jié)果的最大值。

在對測試結(jié)果展開統(tǒng)計的時候，將所有的episode劃分成多個segment，所有的segment構(gòu)成全部是呈連續(xù)狀態(tài)的6幀圖像，倘若最后的episode幀數(shù)不能夠被6整除的時候，那么處于最后一段的segment將會從前面部分的segment當(dāng)中取出幾幀具有重疊現(xiàn)象的圖像，以此來湊滿6幀。本文在探究活動中通過使用投票的方式對構(gòu)建的模型準確率情況展開評估，利用某段episode當(dāng)中的所有segment作為投票的依據(jù)，并獲得最終的結(jié)果。

在識別物體行為的時候，其基本模型框架如圖3所示。

圖3 識別物體行為的模型框架圖

識別物體行為的模型在應(yīng)用以后，獲得的結(jié)果如表1所示：

表1 識別物體行為的模型實驗結(jié)果表

三、結(jié)語

對于物體的識別是人工智能發(fā)展的結(jié)果之一，在識別物體的領(lǐng)域中，相對而言具有新穎性和創(chuàng)新性。在識別物體時運用物體識別技術(shù)，可以借助于運用弱監(jiān)督學(xué)習(xí)的方法展開學(xué)習(xí)訓(xùn)練，提升物體識別系統(tǒng)在識別物品種類和數(shù)量時的精確性，進而有效地將視頻數(shù)據(jù)作出分類，達到識別物體的目的。