OpenVINO 101：從圖像識(shí)別到視頻識(shí)別（上）

　　筆者：梁羽

　　計(jì)算機(jī)視覺(jué)（CV）是人工智能研究的熱點(diǎn)方向之一，其核心在于如何讓機(jī)器“看見(jiàn)”和“理解”——通過(guò)算法從照片、視頻等媒介中提取高層次信息并加以利用。

　　隨著全球計(jì)算能力和數(shù)據(jù)量的雙增長(zhǎng)，計(jì)算機(jī)視覺(jué)取得了長(zhǎng)足的進(jìn)展，在自動(dòng)駕駛、智能安防、體育運(yùn)動(dòng)（如記錄分析運(yùn)動(dòng)員跑姿就使用了AI助力的人體姿勢(shì)估計(jì)）等領(lǐng)域遍地開(kāi)花。

運(yùn)動(dòng)生物力學(xué)專(zhuān)家分析蘇炳添訓(xùn)練時(shí)的跑姿

英特爾3DAT技術(shù)1（三維運(yùn)動(dòng)員跟蹤），基于OpenVINO框架開(kāi)發(fā)

　　一般來(lái)說(shuō)，常見(jiàn)的計(jì)算機(jī)視覺(jué)任務(wù)基于靜止的單幀圖像進(jìn)行，主要采用機(jī)器學(xué)習(xí)和深度學(xué)習(xí)兩類(lèi)方法。

　　在GPU算力足以支持復(fù)雜神經(jīng)網(wǎng)絡(luò)之前，機(jī)器學(xué)習(xí)方法一度是計(jì)算機(jī)視覺(jué)領(lǐng)域的金標(biāo)準(zhǔn)，作為代表的有用于圖像分類(lèi)的支持向量機(jī)（SVM）、用于特征提取的Bag-of-Features模型（SIFT、MSER等）、用于人臉識(shí)別的Viola-Jones算法等。這些經(jīng)典算法大多在開(kāi)源計(jì)算機(jī)視覺(jué)庫(kù)OpenCV中有實(shí)現(xiàn)，可以參考網(wǎng)上的入門(mén)資料（比如這篇【OpenCV+Python計(jì)算機(jī)視覺(jué)導(dǎo)學(xué)】2）進(jìn)行學(xué)習(xí)，在此不再展開(kāi)。

　　而后，以2015年為界，神經(jīng)網(wǎng)絡(luò)在ImageNet圖片分類(lèi)比賽中超越人類(lèi)水平3，拉開(kāi)了深度學(xué)習(xí)在計(jì)算機(jī)視覺(jué)領(lǐng)域大量應(yīng)用的序幕。基于深度學(xué)習(xí)的圖片識(shí)別以卷積神經(jīng)網(wǎng)絡(luò)（CNN）進(jìn)行特征提取、多層感知機(jī)（MLP）進(jìn)行分類(lèi)，并在其上衍生出了注意力機(jī)制、FPN、Transformer、NAS等新架構(gòu)和研究方法，在計(jì)算機(jī)視覺(jué)任務(wù)的準(zhǔn)確度、運(yùn)行速度和泛用性上都有很大提升。

使用深度學(xué)習(xí)進(jìn)行對(duì)象檢測(cè)/對(duì)象跟蹤

　　設(shè)備算力的增長(zhǎng)也帶來(lái)了另一個(gè)好處，計(jì)算機(jī)視覺(jué)學(xué)者們得以將目標(biāo)從圖片轉(zhuǎn)向視頻，讓算法端到端地捕捉視頻每一幀之間的關(guān)系。通過(guò)單幀圖像，算法能知道某一瞬間的情況（場(chǎng)景里有哪些物體、戶外是晴天還是雨天），而基于視頻的識(shí)別能夠挖掘出更多信息，例如讓計(jì)算機(jī)理解一段時(shí)間內(nèi)發(fā)生的事件：

　　圖片識(shí)別：“場(chǎng)景里有兩個(gè)運(yùn)動(dòng)員?！?/em>

　　視頻識(shí)別：“場(chǎng)景里的兩個(gè)運(yùn)動(dòng)員正在打羽毛球?！?/em>

　　在開(kāi)始介紹視頻相關(guān)的算法前，我們將先從圖像識(shí)別開(kāi)始，對(duì)基于深度學(xué)習(xí)的計(jì)算機(jī)視覺(jué)有些概念上的認(rèn)識(shí)。

主流圖像識(shí)別算法

典型的圖像分類(lèi)網(wǎng)絡(luò)（VGG-16）

　　眾多圖像識(shí)別算法中，圖片分類(lèi)任務(wù)最基礎(chǔ)也最重要：通過(guò)為圖片分類(lèi)任務(wù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，可以得到在其他任務(wù)也能使用的主干網(wǎng)絡(luò)（base network/backbone network）。主干網(wǎng)絡(luò)負(fù)責(zé)從圖像中抽取出高層的抽象特征，基于這些抽象特征可實(shí)現(xiàn)分類(lèi)、檢測(cè)、分割等任務(wù)。如上圖架構(gòu)中輸出224*224*64的卷積層到輸出14*14*512的卷積層就是一種主干網(wǎng)絡(luò)（VGG-16）。

　　對(duì)神經(jīng)網(wǎng)絡(luò)算法進(jìn)行選型，一般考慮兩組指標(biāo)：準(zhǔn)確率，以及網(wǎng)絡(luò)的參數(shù)量（params）和浮點(diǎn)運(yùn)算次數(shù)（FLOPs）。準(zhǔn)確率是量化算法本身效果的指標(biāo)，而浮點(diǎn)運(yùn)算次數(shù)和參數(shù)量可以被用來(lái)衡量模型的復(fù)雜度，前者描述了神經(jīng)網(wǎng)絡(luò)需要的計(jì)算能力，后者描述了運(yùn)行神經(jīng)網(wǎng)絡(luò)需要的內(nèi)存大?。ㄒ脖砻髁瞬渴鹉Ｐ托枰挠脖P(pán)空間/網(wǎng)絡(luò)帶寬）。

　　在終端設(shè)備部署神經(jīng)網(wǎng)絡(luò)時(shí)，不同類(lèi)型的設(shè)備（桌面GPU/桌面CPU/Movidus等專(zhuān)用VPU/樹(shù)莓派等ARM架構(gòu)設(shè)備）對(duì)復(fù)雜度有不同的要求。對(duì)于嵌入式設(shè)備部署，如一些人臉識(shí)別和智慧安防類(lèi)應(yīng)用，就應(yīng)選擇盡可能輕量的模型來(lái)達(dá)到實(shí)時(shí)處理的目標(biāo)。其他情況下，就需要因地制宜地在模型準(zhǔn)確度和復(fù)雜度中取得平衡，挑選最適合自己應(yīng)用的算法模型。

　　實(shí)際使用中，我們都希望使用運(yùn)算量盡可能小、而準(zhǔn)確度盡可能高的神經(jīng)網(wǎng)絡(luò)。為了實(shí)現(xiàn)這堪稱(chēng)刁難的需求，深度學(xué)習(xí)學(xué)家們使用了網(wǎng)絡(luò)架構(gòu)搜索（NAS）技術(shù)來(lái)自動(dòng)化地進(jìn)行神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)。

圖片分類(lèi)

常用的主干網(wǎng)絡(luò)模型

（左圖為ImageNet Top-1準(zhǔn)確率，右圖為模型準(zhǔn)確率/浮點(diǎn)運(yùn)算數(shù)對(duì)比）

　　具體到圖像識(shí)別分類(lèi)任務(wù)所使用的主干網(wǎng)絡(luò)來(lái)看，作為結(jié)果之一，Google提出了EfficientNet?，一個(gè)對(duì)網(wǎng)絡(luò)準(zhǔn)確度和模型復(fù)雜度進(jìn)行聯(lián)合優(yōu)化的神經(jīng)網(wǎng)絡(luò)家族。

EfficientNet的模型參數(shù)量-準(zhǔn)確率對(duì)比

　　當(dāng)然，網(wǎng)絡(luò)設(shè)計(jì)只是第一步，真正要用起來(lái)還有訓(xùn)練、優(yōu)化部署等步驟。一般來(lái)說(shuō)，神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)的訓(xùn)練是最為繁瑣的，其中涉及到遠(yuǎn)遠(yuǎn)大于部署階段的計(jì)算能力、大型數(shù)據(jù)集和超參數(shù)調(diào)優(yōu)，因此對(duì)于通用目的的神經(jīng)網(wǎng)絡(luò)，采用公開(kāi)的預(yù)訓(xùn)練模型是最常見(jiàn)的做法。

　　對(duì)于OpenVINO框架來(lái)說(shuō)，預(yù)訓(xùn)練模型和神經(jīng)網(wǎng)絡(luò)的優(yōu)化器都已經(jīng)集成在框架中一起提供，前文提到的EfficientNet和其他主干網(wǎng)絡(luò)的都可以從GitHub上的官方模型庫(kù)下載得到。

對(duì)象檢測(cè)

　　目標(biāo)檢測(cè)模型基于主干網(wǎng)絡(luò)提取的特征來(lái)進(jìn)行識(shí)別，而根據(jù)識(shí)別和分類(lèi)物體的內(nèi)部實(shí)現(xiàn)來(lái)說(shuō)，主流對(duì)象檢測(cè)網(wǎng)絡(luò)可以分成Anchor-based的兩階段檢測(cè)器和單階段檢測(cè)器，以及Anchor-Free的目標(biāo)檢測(cè)器。

Faster-RCNN（Anchor-based二階段檢測(cè)器代表）

Faster-RCNN模型架構(gòu)圖

　　兩階段檢測(cè)器由候選區(qū)域網(wǎng)絡(luò)（RPN）和分類(lèi)器構(gòu)成。候選區(qū)域網(wǎng)絡(luò)基于主干網(wǎng)絡(luò)生成的特征，在圖片中劃分出潛在的感興趣區(qū)域（RoI），并將這些其余和先前得到的特征一并送進(jìn)分類(lèi)器，得到每個(gè)候選框的具體分類(lèi)。

　　Faster-RCNN以模型的復(fù)雜度作為代價(jià)，換來(lái)了相對(duì)較高的識(shí)別準(zhǔn)確度。其處理一張圖片需要約200ms（5FPS），離實(shí)時(shí)處理還是有一些距離。

SSD/YOLO（Anchor-based一階段檢測(cè)器代表）

YOLO v3模型架構(gòu)圖

　　以YOLO v3為例，輸入的圖片會(huì)先被劃分為數(shù)個(gè)單元格，每個(gè)單元格上會(huì)預(yù)測(cè)出一些識(shí)別框和對(duì)應(yīng)的分類(lèi)。在訓(xùn)練時(shí)，YOLO v3會(huì)根據(jù)訓(xùn)練集中檢測(cè)框的大小和位置做預(yù)先學(xué)習(xí)，尋找出最常見(jiàn)的檢測(cè)框位置，并根據(jù)這些線索來(lái)劃分單元格。

　　與Faster-RCNN等二階段檢測(cè)器不同，YOLO和SSD會(huì)同時(shí)進(jìn)行候選框和目標(biāo)分類(lèi)的預(yù)測(cè)，從而節(jié)省了性能開(kāi)銷(xiāo)。一般較小的YOLO模型都可以在30ms內(nèi)處理完成一張圖片，達(dá)到實(shí)時(shí)速度。

Anchor-free檢測(cè)器

DETR模型架構(gòu)圖

　　無(wú)論是Anchor-based還是Anchor-free方法，目標(biāo)檢測(cè)器想要解決的核心問(wèn)題都是如何預(yù)測(cè)檢測(cè)框和類(lèi)別。這一類(lèi)的檢測(cè)器代表有CenterNet等基于點(diǎn)的方法、FCOS等利用FPN進(jìn)行多尺度預(yù)測(cè)的模型，以及上圖DETR等基于Transformer的模型。

　　因?yàn)榫W(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單，Anchor-free對(duì)于工業(yè)應(yīng)用會(huì)更加友好，而且其網(wǎng)絡(luò)架構(gòu)上和實(shí)例分割等任務(wù)更接近，有實(shí)現(xiàn)多功能的潛力。

小結(jié)

　　在這篇文章中，筆者簡(jiǎn)單介紹了圖像識(shí)別，以及用深度學(xué)習(xí)進(jìn)行計(jì)算機(jī)視覺(jué)任務(wù)的相關(guān)內(nèi)容。圖像識(shí)別的相關(guān)示例可以參考這篇【OpenVINO開(kāi)發(fā)實(shí)戰(zhàn)課程】中的錄播教程進(jìn)行學(xué)習(xí)，注冊(cè)eepw賬號(hào)后即可獲取~

　　下篇中，我們會(huì)關(guān)注視頻理解的相關(guān)算法，以及逐步教學(xué)如何使用OpenVINO進(jìn)行視頻識(shí)別，一定要關(guān)注哦！

參考資料

[1]騰訊網(wǎng)，2021/3/17報(bào)道，《擺脫傳統(tǒng)監(jiān)測(cè)手段，英特爾3DAT成體育訓(xùn)練數(shù)據(jù)分析“神器”》，https://new.qq.com/rain/a/20210317A03E6J00

[2]EEPW論壇，作者zhuzhaokun1987，【原創(chuàng)】【AI人工智能系列】OpenCV+Python計(jì)算機(jī)視覺(jué)導(dǎo)學(xué)——目錄匯總（點(diǎn)擊目錄可跳轉(zhuǎn)對(duì)應(yīng)章節(jié)，長(zhǎng)期更新），http://forum.eepw.com.cn/thread/337725/1

[3]微軟亞洲研究院（MSRA）在2015年發(fā)表的工作，作者何愷明等，Delving Deep into Rectifiers:Surpassing Human-Level Performance on ImageNet Classification，https://arxiv.org/pdf/1502.01852.pdf

[4]Google于2019年發(fā)表在ICML上的工作，作者M(jìn)ingxing Tan等，EfficientNet:Rethinking Model Scaling for Convolutional Neural Networks，https://arxiv.org/pdf/1905.11946v5.pdf