如何做到從圖像識(shí)別到物體識(shí)別

在增強(qiáng)現(xiàn)實(shí)（AR）與自動(dòng)駕駛的時(shí)代來(lái)臨之際，3D數(shù)據(jù)呈現(xiàn)爆炸式增長(zhǎng)。在不久的將來(lái)，處理3D數(shù)據(jù)的算法將應(yīng)用于像機(jī)器人自動(dòng)巡航、基于AR的智能用戶(hù)界面等應(yīng)用程序上。受此啟發(fā)，我們?cè)贛atroid公司所著的論文提出了FusionNet，這一框架用于在一個(gè)名為Princeton ModelNet的標(biāo)準(zhǔn)數(shù)據(jù)集上做3D CAD物體分類(lèi)。

FusionNet的核心是全新的、應(yīng)用于3D物體的三維卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks， CNN）。我們必須在多個(gè)方面調(diào)整傳統(tǒng)的CNN以使其有效。為了解釋得清楚些，我們不妨先看一下用于圖像分類(lèi)的二維CNN。這個(gè)思路是，機(jī)器學(xué)習(xí)研究者會(huì)構(gòu)建數(shù)個(gè)隱層形成的模型，每一層與前一層都以不同的形式連接。在第一層，你會(huì)擁有一個(gè)在二維圖像上滑動(dòng)的一塊窗口區(qū)域作為輸入。因?yàn)檫@個(gè)區(qū)域執(zhí)行了卷積操作——在窗口滑動(dòng)時(shí)它交疊其上，因此它被稱(chēng)為卷積層。其后還有幾層不同形式的隱層，最后一層用于預(yù)測(cè)潛在的輸出；每一種輸出對(duì)應(yīng)著圖像標(biāo)注中的某種分類(lèi)。在ModelNet40 Challenge數(shù)據(jù)集中，存在40個(gè)分類(lèi)，因此模型中最后一層有40個(gè)神經(jīng)元。第一類(lèi)可能是“貓”，第二類(lèi)可能是“車(chē)輛”，以此類(lèi)推遍歷數(shù)據(jù)集包含的所有分類(lèi)。如果第一個(gè)神經(jīng)元在40個(gè)中激發(fā)的最厲害，那么輸入樣本就會(huì)被判別為第一類(lèi)，一只貓。

整個(gè)模型假設(shè)輸入是圖片形式，即二維數(shù)據(jù)。你該如何將它拓展到三維呢？一種可能的方法是，就像顯示器顯示三維物體那樣，先把物體通過(guò)投影處理成二維圖像，然后在其上運(yùn)行標(biāo)準(zhǔn)的二維CNN算法。實(shí)際上，現(xiàn)在在Princeton ModelNet Challenge數(shù)據(jù)集上已提交的最優(yōu)算法的思路是，把任何3D物體在多個(gè)角度上對(duì)物體進(jìn)行一組2D投影進(jìn)行“像素表達(dá)”，然后使用卷積神經(jīng)網(wǎng)絡(luò)。FusionNet確實(shí)也基于像素表達(dá)使用了CNN，但關(guān)鍵是，它同時(shí)還增加了一種新式的三維CNN。

與在二維圖像上滑動(dòng)一個(gè)區(qū)域不同的是，我們可以在物體上滑動(dòng)一塊三維空間了！在這種表達(dá)之下，沒(méi)有必要做投影這一步。這種方法用“體積表達(dá)”來(lái)處理物體。

在我們的體積表達(dá)中，3D物體被離散化為30*30*30的體素（譯者注：volumepixel，文中簡(jiǎn)稱(chēng)voxel）網(wǎng)格。如果物體的任何部分位于1*1*1的體素中，就給體素賦值為1，反之則賦值為0. 與之前的工作不同的是，我們?cè)趯W(xué)習(xí)物體特征的過(guò)程中同時(shí)用到了像素表達(dá)和體素表達(dá)，這種方法對(duì)分類(lèi)3D CAD物體而言，比單獨(dú)使用其中一種要好。其中一些例子如下：

圖 1. 兩種表達(dá)。 左圖：浴缸、高腳凳、坐便器與衣櫥的2D投影。右圖：體素化之后的浴缸、高腳凳、坐便器與衣櫥。 感謝Reza Zadeh提供圖片

我們建立了兩種處理體素?cái)?shù)據(jù)的卷積神經(jīng)網(wǎng)絡(luò)（V-CNN I與V-CNN II），以及一種處理像素?cái)?shù)據(jù)的網(wǎng)絡(luò)（MV-CNN）。 下圖顯示了這些網(wǎng)絡(luò)是如何結(jié)合在一起工作，并給出對(duì)于物體分類(lèi)的最終判斷的。處理2D圖像的標(biāo)準(zhǔn)CNN就不一樣了，它們只能從圖像中學(xué)到一些空間局部特征。

圖2. FusionNet是三種神經(jīng)網(wǎng)絡(luò)的混合，它們分別是V-CNN I， V-CNN II， and MV-CNN （最后一種神經(jīng)網(wǎng)絡(luò)是基于AlexNet結(jié)構(gòu)構(gòu)建的，并經(jīng)過(guò)ImageNet數(shù)據(jù)集預(yù)訓(xùn)練過(guò) ） 這三種網(wǎng)絡(luò)在評(píng)分層進(jìn)行了融合，通過(guò)計(jì)算打分的線性組合找到最終所預(yù)測(cè)的分類(lèi)。前兩個(gè)網(wǎng)絡(luò)使用了體素化的CAD模型，最后一種網(wǎng)絡(luò)則使用2D投影作為輸入。感謝Reza Zadeh提供圖片

我們使用了標(biāo)準(zhǔn)預(yù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型（AlexNet）作為2D網(wǎng)絡(luò)MV-CNN的基礎(chǔ)，對(duì)3D物體2D投影的網(wǎng)絡(luò)進(jìn)行暖啟動(dòng)（warm-start）預(yù)訓(xùn)練基于大規(guī)模2D像素圖片數(shù)據(jù)集ImageNet。受預(yù)訓(xùn)練影響，許多用于2D圖像分類(lèi)的特征不需要從頭開(kāi)始訓(xùn)練了。下圖所描繪的框架是我們使用的V-CNN之一種（V-CNN I）：

圖 3. 感謝Reza Zadeh提供圖片

V-CNN I所使用的框架受到GoogLeNet（www.cs.unc.edu/~wliu/papers/GoogLeNet.pdf）啟發(fā)， 使用了IncepTIon模塊。IncepTIon模塊對(duì)不同大小的核處理結(jié)果進(jìn)行了拼接，它有助于神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)不同尺度的特征，并在緊接著IncepTIon模塊的下一層卷積層中共享參數(shù)。

概括來(lái)說(shuō)，F(xiàn)usionNet是三種神經(jīng)網(wǎng)絡(luò)的融合，其中一種基于像素表達(dá)，兩種基于物體的體素化表達(dá)。它利用了每一種網(wǎng)絡(luò)的強(qiáng)項(xiàng)，提高了分類(lèi)器性能。FusionNet中的每一個(gè)網(wǎng)絡(luò)組分都在對(duì)物體分類(lèi)之前以多個(gè)角度、方向觀察物體。盡管從直覺(jué)來(lái)說(shuō)，對(duì)物體的多角度觀察確實(shí)能比單角度觀察帶來(lái)更多信息，但是將信息整合到一起以提高預(yù)測(cè)精度并不顯而易見(jiàn)。我們使用了20個(gè)像素表達(dá)特征與60個(gè)CAD物體體素表達(dá)特征這么多信息用于進(jìn)行物體分類(lèi)。FusionNet的效果超越了在Princeton ModelNet 40類(lèi)數(shù)據(jù)集榜單上排名第一的提交方案，展示了其獨(dú)到的能力。