很快我发现128x128的patch在cpu上慢得无法接受。对各项参数进行调整之后，我生成了新的训练集。

DroneSamples.zip 8.97MB ZIP 59次下载

新训练集是64x64黑白图像，其中50%的图像有无人机，50%的图像没有。在训练“图像中有没有无人机”分类器的过程中，我发现如果这个比例不是50%，比如说有无人机的图像占70%，会导致模型朝“所有图片中都有无人机”的方向收敛，因为预测“全都有无人机”的error（0.3）低于随机预测的error（0.5）。

图像背景大多为天空，少部分为景物。

训练采用tensorflow后端 + keras前端，小规模的CNN，图像上下左右翻转作为数据增强，目前训练集(2500)和测试集(500)的accuracy都超过了0.83。肉眼识别率还没做，但是可以感受一下。

图中灰色的表示判断正确，红色的表示判断错误。从训练结果来看，天空背景下准确率较高，花草树木背景下准确率较低。

下面是所用的网络结构（keras）：

<code class="language-python">model = Sequential()

model.add(Convolution2D(16, 7, 7, #border_mode='same',
                        input_shape=X_train.shape[1:]))
model.add(Activation('relu'))

model.add(Convolution2D(32, 5, 5, #border_mode='same',
                        input_shape=X_train.shape[1:]))
model.add(Activation('relu'))

model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))

model.add(Convolution2D(32, 7, 7))
model.add(Activation('relu'))

model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))

model.add(Convolution2D(64, 7, 7))
model.add(Activation('relu'))

model.add(MaxPooling2D(pool_size=(4, 4)))
model.add(Dropout(0.5))

model.add(Flatten())
model.add(Dense(16))
model.add(Activation('relu'))
model.add(Dropout(0.1))

model.add(Dense(nb_classes))
model.add(Activation('softmax'))
</code>

如果你认真地读完了我上面写的帖子，我目前最新的总结是：classifier可以当detector用，但这不是最优方案。

对网络结构进行一些调整之后，我用1000个epoch、100/batch 把这个数据集跑到了0.9的准确率（期间验证了一点，SGDR确实是可以加速收敛的），考虑到数据集中存在的大量bug（比如全黑背景+全黑的无人机），这个准确率已经很棒了。

但是也遇到一些问题。数据集中用来生成背景的素材图，干扰主要是建筑物，从conv1的feature来看，网络已经学会了怎么从建筑物外墙棋盘般的背景中区分出无人机：

问题是这样效率比较低，比如我要丰富dataset，引入更多类型的背景，那么conv1的feature可能就不够用了，而加大conv1的后果就是……慢。尤其是，人眼在跟踪飞行器的时候，是处于一个在线学习的状态，即便是以前没有见过的无人机，看到在飞之后，就可以学习其外观并保持跟踪；即便是以前没有见过的背景，也应该可以实时适应，在视觉上能够积极地将无人机与背景进行区分（利用相对运动信息）。现在把feature全都做成死的、全都依赖训练数据，在实际环境中工作起来和人脑性能会差很远。所以要设计一个robust的tracker，很可能需要 cnn + lstm + very large real-world dataset，并按照抽象层次进行分阶段训练（从静态图片逐渐过渡到动态、从二维图像过渡到三维场景分析，而不是直接end-to-end）。将来会考虑用blender或者OSG生成这样的dataset。但在这之前，还是先认真刷论文吧。

下图：经过训练的binary classifier，可以通过sliding window的笨方法，在图中大致标记出无人机的所在。cnn输入窗口的宽度是64，因此我每32个像素predict一次，保证窗口之间的重叠，而且比逐个像素slide要快1000倍。图中每个命中的64x64窗口，用一个56x56矩形进行了标记。

（请注意：每个小方格是32x32，predict window是64x64，每滑动32像素predict一次。框线是56x56.）

这其实是这两年ILSVRC做bounding box的主要方法：首先训练一个分类器网络（经过这3年的磨练，大家已经都学会了），然后用滑动窗口方法对图像应用这个分类器（然后对输出还要加一点SVM之类的魔法），以确定object在图中的位置。它们（比如R-CNN及其变种）的特点就是blackbox，naive，simple code，very slow。为了提速，大家提出了很多修修补补又三年的方法，不过始终都显得……不太美观，经常是一堆tricks然后结尾必提我们用多少个百分点的误差换了多少倍的速度……

结果就生产了一大堆大家都很清楚两年之后一定会变成废纸的文章，有点像当年手机厂商张口闭口都是跑分的情况。R-CNN minus R XXXXXXXXXXXXXXXXX/abs/1506.06981 特别阐述了这一点。值得一提的是，他说：

对RPN的态度是Removing。

He Kaiming同学也一连发了几篇文章，表达对R-CNN（及其变体）效果的赞赏以及方法的不敢恭维，在此就不列出了。刚刚读了他的 R-FCN: Object Detection via Region-based Fully Convolutional Networks XXXXXXXXXXXXXXXXX/abs/1605.06409 ，其中提到：

意思就是说，我们做图像分类的那个架构，是希望它对位移不敏感，所以越深、对位移越不敏感的卷积网络效果就越好。而做检测刚好相反，我们需要的结果恰好是对位移敏感的，所以用分类的那个架构来对付检测，就像用扫把洗碗，降低了比赛的观赏性质，对围观群众造成了brain damage。

一个美观优雅高速高效的detector究竟要怎么实现、怎么训练；作为最终产品的tracker要怎么利用detector的训练成果；这些都是接下来需要我去阅读思考的问题。

总结：Zhu Songchun说过，ML解决的仅仅是CV中的实现部分，如果不能确定到底要解决的是什么问题，再快的显卡也不管用。

引用 Cirno:
我开始看到以为是要实现的是 detection，提取 bounding box 那种。有点想试试用 HOG SVM或者LDA做一个sliding window detector 作为baseline看……

引用 Cirno:
我非常奇怪一点是，为什么你表示从 conv1 的输出能看出 object level 的效果。conv1 只是提取low level的 edge response，如果在存在有复杂背景的情况下，仍然能……

前两天Google推出了windows版的tensorflow，现在大家可以在windows上玩tensorflow了。我用tensorflow的原因是它资源很丰富、背景很雄厚。用keras的原因是简单爽快可扩展，用python的原因是这个语言对tensor（高维矩阵）进行操作非常直观方便。

简单介绍一下windows版tensorflow的安装过程：

1. 首先你会需要python以及numpy scipy blas lapack mkl 等一系列library，可以说对于不熟悉linux和python世界的同学来说这就是个噩梦，对于熟悉的来说是半个噩梦，所以我最后还是安装了Anaconda3（Python3集成环境）大礼包，从官网下载的python3没有Anaconda方便。注意，最新的TF在windows上只支持python3.
2. 然后从Pypi( XXXXXXXXXXXXXXXXXXXXXXX/pypi/tensorflow )上下载tensorflow的最新whl包。下载前请注意，分CPU和GPU两个版本。
3. 如果你下载的是GPU版，请下载安装CUDA和cuDNN。如果不安装，GPU版tf启动时会提示找不到几个dll。
4. 运行 pip install <下载的whl包文件名>
5. ……然后在python里面 import tensorflow as tf 应该就可以了。

如果需要用Keras框架，不要用pip install，检测到系统为windows之后会傻傻地跑去下载theano（因为以前tensorflow是没有windows版本的）。我直接从github拖源码，然后Python XXXXXXXX就可以了。到装theano那一步我Ctrl-C了。完美的方案应该是把系统检测代码删掉，让用户自己选择是要tensorflow还是theano。

import keras的时候也会遇到问题，keras检测到windows系统（同时检测不到~/.keras/keras.json文件的话）就自动切到theano后端，由于没装theano也会报错。解决方法是手动改keras源码，我已经向作者提交了pull request（更新：作者没有通过request，有需要自己动手吧）。

CUDA的驱动程序在我这边有点问题，GT640M显卡在XXXXXssion()的一瞬间会跳出一个错误，提示我的显卡无法弹出，然后把我整个系统卡死。所以我暂时还是在用CPU训练。

FCN和R-FCN论文指出，可以直接用全卷积网络(FCN, Fully-Convolutional Network)代替传统的conv-fc架构，这样便可以适应任意尺寸的输入，并且保留了输入图像中所包含的物体位置信息，可以直接根据卷积结果生成heat map和bounding box，省去了耗时的regression步骤。

受到以上论文启发，我也修改了网络架构和训练方法。这是我目前正在训练的架构，左边是输入图像，右边是输出heat map。

这个架构有4个卷积层，其中conv1和conv2的作用是feature卷积，conv3和conv4则是代替传统架构中fc层的作用(!)。

因为使用了3x3和4x4两次pooling，最终输出的3x3heat map，覆盖的大概是原图中心36x36的范围。所以对于每个训练样本，我生成了一张36x36的heat map，将目标所在位置设为1.0，背景设为0.0 ，然后将这张map通过双线性插值，缩小到3x3，作为训练的ground truth。而训练样本中四轴飞行器的几何中心，也都落在图片中央36x36范围内。

那么，要怎么设计loss function呢？我们提供的ground truth取值范围在(0,1)；而ReLU网络输出的取值范围是(0,+inf)。所以不能用mean squared error。因为架构特殊，Keras也没有提供我需要的误差函数，只好自己拼凑一个了：

<code class="language-python">def my_fancy_loss(y_true, y_pred):
    # y_true within (0,1
    # y_pred within (0,+inf
    yt = tf.reshape(y_true,[-1,9]) # flatten
    yp = K.softmax(tf.reshape(y_pred,[-1,9])) # flatten, then softmax
    return 1.0 - K.mean(yp*yt, axis=-1)
</code>

代码中K是Keras后端，是tf的一层wrapper。因为Keras没有wrap tf.reshape函数，所以我直接混用了tf。

首先把3x3的预测值y_pred和3x3的ground truthy_true都展平成9维矢量，然后对预测值进行softmax，以将其取值范围压缩到(0,1)。然后将两个矢量逐项相乘，最后取平均，再取反。所以如果要降低误差，就要令逐项相乘的和尽量大。因为前面有softmax的存在，要让逐项相乘的和尽量大，预测值的最大值点就必须和ground truth的最大值点的位置接近，尽管最大值的绝对值可以不同。

为了本次训练，我从网上找了更多的无人机素材，生成了5000张64x64训练样例。考虑到每个人训练目的不同，这次我就不直接发生成好的dataset了，直接发透明的png素材。

drones_resized.zip 143.25KB ZIP 47次下载

不过，为什么要训练6个小时？看着loss图像下降得那么平缓，我怀疑是学习率设低了。paper里经常用的0.1学习率是针对paper里面提到的loss设置的，这次我用了自定义的loss，学习率也应该改一下再使用。

于是我把学习率从0.1改成了1，最开始那段收敛加速了10倍，可怜了我宝贵的时间。。。

提一点： 根据Yoshua Bengio教授提出的 XXXXXXXXXXXXXXXXX/abs/1301.4083，带有指导、循序渐进的学习（又称大纲学习, curriculum learning）能使误差函数的梯度相比直接端到端学习变得更加平滑，从而加速学习的过程，极大降低在学习过程中陷入局部最优的概率，对于某些问题则能够极大节省网络容量和训练时间。

我这次设计的heat map学习也体现了这一点：由于使用的误差函数与位置相关，网络很快就能搞明白需要识别的特征有哪些、在哪里，从而极大地加速收敛。这就类似小朋友用手指指着某个物体，问大人那是什么，从而有针对性地学习其特征。换句话讲，如果ImageNet的classification允许通过人工方法将所有的概念在图中指给神经网络看，我认为top-5误差完全可以降低到接近1%，而且也不用跑一遍等几天，而应该是几个小时就好。

（大多数读者）读到这里一定会感慨，这篇文章黑话太多了，根本就看不懂，谁来写个教程啊！！！！！

说实话，如果你不了解机器学习，能坚持看到这里已经很不错了。所以我决定给看到这里的同学们写点什么。

tensorflow相关教程网上很多，但是新手直接跑去看的话，很有可能会发出跟上面一模一样的抱怨，明明每个字都我都认识，可是连在一起怎么就看不懂了呢……下面我根据我的经验，推荐一个入门机器学习的路线。

1. 学数学

   最低标准：手绘正弦余弦对数指数的图像以及它们的导数和切线的图像，手绘二元函数(z=x^2+y^2)的图像以及其偏导数和切面的图像。如果做不到，找一个高中数学老师也花不了几千，毕竟比读一次大学要轻松多了

2. 学编程

   最低标准：写一个程序发给你周围的人，并从他们那里收集10个赞。如果做不到，参加一个培训班也花不了几千，毕竟比读一次大学要轻松多了

3. 学一点数学和图形编程

   最低标准：用一种编程语言，绘制1的图像。

4. 学一点数字图像处理

   最低标准：用一种编程语言，计算一张国旗的图片中有多少颗星星。

5. 学《机器学习》

   最低标准：捏着鼻子把Andrew Ng的《Machine Learning》教程看完，把他提到的实验都做了。不要借助任何框架，直接用你熟悉的编程语言写一遍。

6. 如果你真的做到了以上几点，你就应该（自动地）开始看论文了。Yann LeCun 和 Yoshua Bengio的论文多翻翻吧。

7. OK，现在你能看懂大部分黑话了。

下一步就应该让模型学会从视频中区分图像的背景和前景（利用相对运动信息）。

现在的模型虽然已经能够识别静态图像中的无人机，但如果无人机的外观跟背景图案太接近，我们的模型表现就很差。但是人眼可以做到，飞机飞到树林后面我们仍然可以通过缝隙跟踪，所以计算机应该也是可以做到的。

在生活实践中我们发现，如果一只鸟停在树上，我们肉眼一般是很难注意到的，因为像树枝这样杂乱的背景，相当于把目标淹没在噪声中了。但是只要这只鸟开始飞行，即便是在树林后面穿过，我们也能注意到它，这是因为肉眼有视觉残留效应，当我们的视线快速掠过树枝跟踪这只鸟的时候，对树枝产生的噪声进行了滑动平均，令鸟的图像变得明显、清晰了。这种视觉残留效应其实是必须的，因为人眼视网膜后的神经结构类似于一个差分压缩算法，输出带宽有限，如果不作滑动平均、让噪声全部都进入大脑，就会挤占真正重要的信息所需的传输带宽，这样就会导致我们的动态视觉非常差。

所以要在复杂背景下跟踪一架无人机，我们需要：

1. 将注意力集中在图像的某个焦点上，焦点具有一定的移动速度
2. 对焦点图像作时域滑动平均
3. 滑动平均结果，进入detector。detector根据检测结果，更新焦点的移动速度。

因此这应该可以利用CNN+LSTM实现，现在关于attention based的机器学习论文其实也挺多的，总之需要大量的阅读。

论文倒是找到一篇，08年的，理论解释得非常好，但是方法都是经典方法。

我们现在知道：将物体的32x32照片分成10类（CIFAR-10），在机器学习领域属于EASY。人类大脑的视觉处理系统对物体的轮廓和细节敏感，并能够将这些轮廓和细节组成更高级的抽象概念，最终判定物体的类别。于是科学家用CNN函数拟合了大脑的这种视觉处理的过程，所以我们现在获得了非常好的分类器。

但这并不等于我们解决了机器视觉的问题。很多人眼拥有的能力，目前大家手中的神经网络还不具备。

首先，人眼的分辨率是很高的，按照这个分辨率，45度视野下接近于8k视频。那么，假如我们要用CNN方法找到8k视频图像中的一架无人机，我们就必须用卷积核对整张图片进行卷积，而我上面展示的最简单的神经网络，也差不多要对整张图卷积100次。这对计算机来说已经很辛苦了，换成人类的大脑则更是不可能的。

那人眼是怎么做到的呢？人眼虽然分辨率很高，但这个高分辨率仅限于中心非常小的一部分，而四周的分辨率是很低的。

下面是人眼视锥细胞（色觉，高分辨率）和视杆细胞（光感，低分辨率）的密度分布图。

视网膜中心的视锥细胞分布是这样的（左为正常人，右为红绿色盲）：

所以当有一架无人机在飞的时候，人眼先利用四周低分辨率的视杆细胞感应到无人机的存在，然后控制眼球四周的肌肉，旋转眼球将光轴指向目标，从而获得目标的高分辨率图像，然后接着对目标再进行分类判定。

（图片都来自维基百科）

这样一来，人脑就可以用非常低的带宽，获得极高分辨率的视觉。所以未来实用的机器视觉应用，根据我的设想应该是这样的：

其次，并不是所有的视觉能力都可以后天学习。

以CIFAR-10为例，里面的很多类别是人造的物体，这些物体回到100年前是没有的，但是今天的人类可以毫无压力地学习他们的外观特征，说明对物体的外观特征的分类能力，是可以通过学习获得的，而不是天生的。但是，人类还有很多视觉能力不是通过后天学习获得的，而是天生就有的。

比如我上面一楼提到的动态视觉能力，就属于天生的。看下面这张图，你能找到两架无人机分别在哪里吗？

很困难，因为我们看的是一张静态图片。假如图像是动态的，我们就可以利用上面一楼提到的动态视觉能力。只要无人机稍微有点晃动，即使我们的视线没有盯着它看，敏感的视杆细胞也能马上感受到亮度的微小变化，从而发现无人机。等到我们把视线中心转过去，就可以利用视觉残留滤波的方法，判断那到底是不是无人机。所以要实现robust的追踪，这些问题都是要解决的。

不过这样一来，我们就得把像CNN这样的开环系统，改成多级反馈系统（类似RNN）。每一级之间如何连接，整个架构怎么训练，仍然需要继续刷论文。而且由于动态视觉能力并不是后天习得的，而是通过无数代自然选择进化留下的，因此直接套用现成的机器学习算法是浪费时间，必须先把Human Vision吃透。

本楼是给对这个问题有兴趣的读者做的一个简单介绍，也欢迎大家提出不同意见。

两架无人机分别在这里：

人眼的分辨率分布：

XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX/gtc/2016/presentation/s6497-brian-cheung-neural-attention-for-object-tracking.pdf

XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX/chapter-5-the-retinal-representation/

blender的最大优点是可以用python进行交互。

经过一番google，我写了一组脚本，输出每一帧中无人机的屏幕坐标，作为训练用的ground truth.

get_obj_coord.py

<code class="language-python"># small helper script for CV+ML trainning ground truth data generation.
# by Qin Yongliang

import bpy
import bpy_extras

# get coordinate of object relative to screen.
def get_obj_coord(object_name):
    target = bpy.data.objects[object_name]
    
    # get object's location relative to world.
    target_loc = target.matrix_world.to_translation()
    
    cam = bpy.data.objects['Camera']
    
    scene = bpy.context.scene

    # relative to screen, where (0,0) represents left bottom of camera frame.
    co2d = bpy_extras.object_utils.world_to_camera_view(scene,cam,target_loc)

    return co2d

# get coordinate of object named 'Drone'.
def get_drone_coord():
    c = get_obj_coord('Drone')
    print('drone at screen coord:',c)
    return c
</code>

然后运行下面的脚本：

<code class="language-python">import get_obj_coord as g
import bpy

scene = bpy.context.scene
fs = scene.frame_start
fe = scene.frame_end

def get_drone_coord_list(startframe,endframe):
    list = []
    for i in range(startframe,endframe):
        scene.frame_set(i)
        c = g.get_drone_coord()
        list.append(c)
    return list
        
file = open("c:/coords.csv", "w")
list = get_drone_coord_list(fs,fe)
file.write('x,y,z\n')
for c in list:
    file.write('{},{},{}\n'.format(c.x,c.y,c.z))

file.close()
</code>

效果：

其中x和y是屏幕坐标，(0,0)是取景框左下角，(1,1)是取景框右上角。z是从相机到目标的距离。

引用 小俊:
我在做无人驾驶，基于DNN的车辆行人检测，简单说说方法：

1、Detection和Classification在一个网络里做，是全卷积网络，一路卷积到底，没有全连接层（Pooling还是有的）。需要……

请问怎么用imagemagick生成的训练样本啊？可以分享一下代码吗？