改进SSD 算法对鸟类目标检测研究

唐鑫鑫， 陆安江， 彭熙瞬， 高海韬

（贵州大学 大数据与信息工程学院， 贵阳 550025）

0 引 言

社会经济的快速发展，对生态环境资源索取使用过度，自然环境被严重破坏。 鸟类是自然生态中重要的一员，据国际鸟类联盟最新调查研究显示，全球八分之一的鸟类面临灭绝的危险，生存状况日益恶化，数量下降呈现恐怖趋势，保护鸟类刻不容缓。目前，鸟类的识别工作仍主要依靠人工先验知识，时间成本过大。 通过人工智能技术构建一个智能鸟类识别分类系统，能够节约人力成本，为鸟类保护贡献一份力量。 鸟类识别算法主要分为两类：基于部件的多级分类算法和基于端到端的分类算法。 基于部件的多级分类算法代表有Wah最先提出的基于传统特征的词包分类模型；Donahue 等人提出的基于CNN 的DeCAF 特征；Zhang 等人提出的自局部检测到特征提取均采用CNN 架构的Partbased R-CNN 等。 基于端到端的分类算法有Fu 等人提出的RA-CNN 模型，基于递归神经网络增强局部注意力及特征表达；Li 等人提出幂归一化协方差矩阵MPN-COV；魏秀参提出的基于FCN 学习分割模型的Mask-CNN 算法等等。

本文使用改进过的Resnet50 网络（称作DLResnet50）替换SSD 的前置网络VGG，对自制的鸟类数据集进行目标识别检测分类。

1 SSD 模型的基本原理及结构

Wei Liu 在ECCV 2016 上提出了SSD 模型。 该模型全称Single Shot MultiBox Detector，意思为单镜头多盒检测器。 SSD 基于深度学习，是人工智能下的一种目标检测模型，其前置网络为VGG-16，是目前流行的目标检测框架之一。 该算法会在图片上均匀地产生若干个不同大小的候选框，且其长宽比均不相同，使用卷积层将图像的特征提取出来，再进行回归和分类。 SSD 模型网络结构如图1 所示。

图1 SSD 模型网络结构图Fig. 1 Network structure diagram of SSD model

SSD 采用VGG-16 为前置网络，将VGG-16 的2 个全连接层FC6 和FC7 替换为3×3 卷积Conv6 和1×1 卷积Conv7，将池化层Pool_5 由2×2 池化修改为3×3 池化，移除Dropout 层和全连接层FC8，并添加4 个新的卷积层：Conv8、Conv9、Conv10、Conv1l 。其处理过程中如激活函数全部采用ReLU，且均在卷积操作结束后使用，池化操作不使用激活函数，做卷积与池化交替计算，假设输入的图像尺寸为224×224×3，则每一步的计算与图像尺寸见表1。

表1 VGG16 计算过程图像变化Tab. 1 Image changes during VGG16 calculation process

最后的输出图像与两层1×1×4 096，一层1×1×1 000进行全连接，即共有3 层全连接层，最后再通过ReLU激励函数激活，输出的预测结果可以有1 000 个。

不同特征图的每个特征点上都有一组默认先验框与之对应，因此SSD 模型预测的时候计算默认先验框的位置偏移和置信度。

SSD 的损失函数值包含两个部分： 置信度（L） 和定位（L）， 而损失函数就是这两者的加权和。 置信度损失L的计算公式（1）如下：

SSD 算法需要计算两部分，即相应的先验框与目标类别的置信度和相应的位置回归。

其中，参数∈（0，1），表示默认框和实际检测框的匹配是否成功；参数作用类似于权重，用来平衡置信损失和位置损失；是分类置信度；代表预测框；代表真实标签框；是与该类别的校准框匹配的默认框数量，当0 时，说明损失为0。

2 SSD 模型改进

2.1 SSD 模型存在的问题

SSD 的优点在于采取多尺度特征融合策略，利用多个卷积层的输出参与预测，提升了检测精度；直接使用默认框进行检测，没有候选区域生成的过程，提升了检测速度。 但对小目标的鲁棒性差，会有识别不出来的问题。 根据VGG 网络的特性，增加网络层数后提升的效果并不明显，因为出现了网络退化的问题，退化问题阻碍了网络收敛，不仅增加了训练误差，也增加了测试误差，降低了网络精度。

为了提升网络训练的识别准确率，最简单直接的方式是增加网络层数，以增加对目标特征的学习次数。 但若只是盲目增加网络层数，问题并没有得到解决；相反地，还会导致错误率的突然上升，产生此问题的原因是发生了梯度消失。

2.2 改进ResNet50 网络结构

ResNet50 网络中提出的残差结构（Residual Block） 主要目的是解决网络退化问题，ResNet50的残差网络学习单元如图2（a）所示。

ResNet50 网络由多个残差模块构建而成，其函数表达式为式（4）：

其中，为输入；（） 表示残差映射；（） 表示残差网络的特征输出。

当（）0 时，表示该卷积层做恒等映射；当（）0，表示该卷积层学习到新的特征信息，从而保证反向传播时的梯度传递，有效解决了网络训练过程中存在的梯度消失和网络退化问题。

本文对ResNet50 网络的改进结构如图2（b）所示，将改进后ResNet50 的网络称为DL-ResNet50。

图2 两个残差学习单元对比Fig. 2 Comparison of two residual learning units

由于ResNet50 网络训练过程中易出现过拟合，为了进一步提高该网络的识别精度，本文在原网络最后一个卷积层后加入Dropout 层和3 层全连接层，用Leaky-relu 函数取代原网络的ReLU 函数。

加入Dropout 层和3 层全连接层后，可以让ResNet50 网络过拟合的机率有效下降，改善增强模型泛化能力。 当网络输入0 时，ReLU 函数无法更新，从而模型不能训练学习特征。 而Leaky-relu函数在输入0 时输出持续变化，更新权重继续学习。 改进的SSD 模型工作流程如图3 所示。

3 实验结果分析

图3 改进SSD 模型工作流程Fig. 3 Improved SSD model workflow

3.1 数据预处理

本次数据集从文献［12］所记录的鸟类中随机选取10 种，分别是黑颈鹤、灰鹤、斑头雁、黄眉柳莺、白鹭、大斑啄木鸟、山斑鸠、喜鹊、赤麻鸭以及乌鸦，共计4 830 张图片，为了保证模型识别效果，防止模型过拟合，对数据图像进行镜像翻转处理，增加数据集数量，将数据集按照模型比例6 ∶4 ∶1 分配划分为训练集、验证集、测试集。

为了更好的训练模型，对收集的图像数据灰度化、均衡化以及归一化处理，如图4 所示，其中（a）为原图，（b）表示经过加权均值灰度化的图，（c）表示经过直方图均衡化后的灰度图。 对比（b）和（c）可以明显看出图中的目标与背景的差异变大。 再利用labelImg-master 工具在图中框出目标位置及类型，即可获取目标的像素信息。

图4 图片处理对比Fig. 4 Comparison of image processing

3.2 实验结果对比

本文实验平台选取 tensorflow 开源框架，Windows10 系 统，python3. 6 编 程 语 言，cuda9. 0，cudnn7.0， NVIDIIA GTX2060 显卡。

本文实验以模型损失值曲线变化、平均交并比（Average Intersection Over Union， Avg IOU）以及AP曲线来作为评估依据，分别在SSD、SSD+ResNet50以及SSD+DL-ResNet50 3 个模型下做实验对比。 3个模型实验训练参数一致，训练批次大小为8，迭代300 次，初始学习率为0.001，权值衰减系数为0.000 5。损失值曲线变化如图5 所示。

图5 3 种模型的损失值曲线Fig. 5 Loss value curves of the three models

本文所提算法SSD+DL-ResNet50（红色线）收敛速度最快且最终损失值最小，稳定在1.3 左右。 SSD+ResNet50（绿色线）次之，原SSD 模型最慢损失值也最高，约2.1，本文算法在损失值这一项上降低了约0.8。

在目标检测中常表示预测框和真实框相交面积与相并面积的比值，比值越接近1 效果越好，公式（5）。

其中，A表示目标预测框面积，表示目标真实检测框的面积。

通过实验结果可得3 个模型的交并比变化曲线，如图6 所示。 由图6 可知，随着迭代次数的增加，3 种模型的交并比值都逐渐增加，但是由红色线可知本文改进模型DL-ResNet50 SSD 的值均高于绿色线ResNet50 SSD 模型和蓝色线原SSD 模型。

图6 3 种模型交并比变化曲线Fig. 6 Intersection ratio change curves of the three models

本文选择准确率和召回率来作为目标检测的性能评估标准，准确率就是测试检测正确的目标在所有样本中所占的比例，计算表达如式（6）。 召回率则表示在所有真实目标中被正确检测出来的占比，计算表达如式（7）。

其中，表示准确率；表示召回率；表示模型正确检测的目标个数；表示模型错误检测的目标个数；表示模型漏检的正确目标个数。

实际上， 准确率和召回率往往是此消彼长，难以兼得，因此将计算得到的、值绘制成曲线图，综合考虑曲线下的面积值大小来评估各类别检测性能，值越大表示模型检测精度越高，即性能越好，计算公式（8）。

针对多个类别，使用平均值评估模型整体性能，公式（9）。

斑头雁和灰鹤两种类别的鸟在原SSD 模型、用ResNet50 替换VGG 网络的SSD 模型还有本文提出的改进ResNet50 取代VGG 的SSD 模型下的变化值如图7 所示。 对比分析，本文所提算法的值更大，模型精确度更高。

SSD、SSD 中已有的VGG 网络替换为ResNet50以及改进ResNet50 取代VGG 的SSD 模型下的检测精度对比见表2，可知本文的改进算法在总体的检测精度上比原SSD 提升5 个点

表2 3 种模型检测精度Tab. 2 Detection accuracy of the three models

检测结果如图8 所示，其中（a）是原SSD 模型的检测结果，可以看到有些被遮挡的目标没有被检测到，（b）图是改进后的SSD 模型检测结果，虽然有的被遮挡目标也没有被检测出，但是增加了2 个目标检测框。

图7 3 种网络的AP 曲线Fig. 7 AP curves of the three networks

图8 检测结果Fig. 8 Detection results

4 结束语

本文提出一种用改进ResNet50 网络，取代SSD模型的基准网络VGG 的SSD 模型算法对鸟类目标进行检测研究。 通过实验对比可知，本文提出的算法在模型收敛速度、检测精度以及多目标检测方面都有改善提升。 本文数据集种类只有10 类，因此下一步的研究工作是增加数据集种类以及数量，将算法融合进系统之中，实现一个完整的鸟类识别分类系统。