学习笔记：煎蛋质量识别

原文 – ConvNets Series. Actual Project Prototyping with Mask R-CNN
很有意思，根据图片来识别煎蛋质量，口味.

1. 介绍

以前关注过基于德国交通信号(German traffic signs)数据集的应用，这里着手一个更加实际的现实生活问题：

是否可以利用深度学习，根据只采用图片作为输入，来判断图片中食物质量的好坏？

简单来说，商业问题可能是：
如下图，商人看待机器学习问题时，可能觉得 omelette 是 OK 的.

注：欧姆蛋（Omelette，又称西式煎蛋卷、杏力蛋（新加坡和马来西亚的叫法）或奄列（粤语地区的叫法）是煎熟的鸡蛋，中间或可放些馅料卷著。其发源地为法国。做法是先在平底锅内加进蛋汁煎到凝固，再将煎好的圆形蛋饼对折成半圆形即可.
来自百度百科.

这是一个不适定问题(ill-imposed problem): 不确定是否存在解决方案，也不确定解决方式是否唯一和稳定，因为完成(Done) 的定义十分模糊(更别说具体实现了.)
这篇文章不是关于高效沟通和项目管理的，但必要的一点是，不要提交范围不明确的项目.
模棱两可问题解决的最好方式是，首先构造具有明确定义的原型，然后再继续深入任务(问题抽象).
这里即是如此.

2. 问题定义

原型关注于单一物品：欧姆蛋(omelette)，并构建可扩展的数据管道(data pipline), 其输出欧姆蛋的 “感知质量 perceived quality”.
概括如下：

• 问题类型：多类别分类问题，multiclass classification
  六个不同的质量类别：[good, broken_yolk, overroasted, two_eggs, four_eggs, misplaced_pieces]
• 数据集：351 张不同的欧姆蛋图片，采用 DSLR 相机手工采集. 数据集随机划分：Train/val/test: 139/32/180.
• 标签：每张欧姆蛋图片均有一个对应的质量列表标签.
• 度量方法：分类交叉熵 categorical cross-entropy.
• 必要知识：”good” 欧姆蛋的定义是，三个蛋黄完整的鸡蛋，一些培根肉，没有烧焦碎片，中间有少量的西芹. 另外，组成应该是视觉正确的，没有散乱的片.
• “完成 Done” 的定义：经过两周的原型设计，能够在测试集上取得最好的交叉熵.
• 可视化结果：测试数据集低维表示的 t-SNE.

相机拍摄的输入图片

目标：采用神经网络分类器提取特征，然后计算在测试集上，分类器关于类别概率的 softmax 预测结果.
这样的目标可以使原型可行，且便于后续应用.

以下是提取的有用信息：
– 关键成分mask (Mask R-CNN), Singal #1
– 根据关键成分分组进行计数(基本是不同成分计数的矩阵)，Singal #2
– 移除欧姆蛋盛放盘子的 RGB 和背景. 不添加到模型. 即最明显的 Singal – 只对这些图片根据设定的损失函数训练 ConvNet 分类器，并计算选定的典型图片的低维表示和当前图片的 L2 距离. 由于训练数据集只有 139 张图片，无法来验证这个假设.

3. 通用 50K 管道 General 50K Pipeline Overview

忽略了几个重要的阶段，如数据发现，数据探索分析，baseline方案，和 Mask R-CNN 的主动标记(active labeling, 根据半监督实例标注新自定义的命名，启发于 Polygon-RNN demo video)管道. 这里主要关注于 Mask R-CNN.

50K 管道如图：

主要关注于 Mask R-CNN 和分类阶段.

[1] – Mask R-CNN, 成分 mask 分割；
[2] – 基于 Keras 实现 ConvNet 分类器；
[3] – t-SNE 可视化结果

3.1 Stage1 – Mask R-CNN 和 Masks 推断

Mask R-CNN 最近比较热门. 从最初的 Mask R-CNN 论文，到 Kaggle 中的 Data Science Bowl 2018, Mask R-CNN 已经被证明是实例分割中很有效的结构.
matterport/Mask_RCNN 的基于 Keras 的版本，代码结构良好，文档完整，实现快速，但与期望的相比仍较慢.

Github项目 – Mask R-CNN 的 Keras 实现之Demo

Mask R-CNN 简述:

Mask R-CNN 主要包括两个部分： backbone 网络和类似于 Faster R-CNN 结构的 head 网络.
卷积 backbone 网络，基于 FPN 或 ResNet101，作为整张图片的特征提取器.
其后是 RPN 网络，来为 head 网络采样多尺度的 RoIs.
head 网络计算每个 RoI 的边界框识别和mask 预测.
此过程中，RoIAlign 精细地将 RoI 提取的多尺度特征和输入内容进行对齐.

Mask R-CNN 结构

在实际应用中，尤其是对于原型，预训练的 ConvNet 模型是很重要的.
很多现实生活场景中，数据科学家对于标注数据集知之甚少的，甚至都没有标注数据.
但是，ConvNets 需要大量标注的数据集来进行训练收敛，如 ImageNet 数据集包含 1.2M 标注图片.
这时，迁移学习 – transfer learning 的重要性显现出来了：
冻结预训练模型的卷积层权重，只重新训练分类器. 对于小规模数据集而言，冻结卷积层权重很重要，以保证模型不出现过拟合.

一个训练 epoch 后的示例：

实例分割的结果：所有的关键成分都被检测到.

下一个阶段是，裁剪包含盘子的图片部分，并提取每个成分的 2D 二值 Masks.

裁剪的图片和关键成分的二值 mask.

然后，将所有的二值 masks 组合为 8-通道图片(这里定义了 8 个 mask 类别)，即 Singal #1.

Singal #1 由二值 masks 组成的 8-通道图片

对于 Singal #2，根据 Mask R-CNN 结果计算每个成分的数量，然后组成每个裁剪图片的一个特征向量.

3.2 Stage2 – 基于 Keras 的 ConvNet 分类器

采用 Singal #1 和 Singal #2，(未来添加更多数据) 作为输入，训练网络来分类关于口味质量类别的预测结果.
初步结构如：

分类器结构的主要特点：

• 多尺度卷积模块 – 开始时采用的 5×5 kernels 的卷积层，但结果不如人意. 采用 3×3, 5×5, 7×7, 11×11 多种 kernels 卷积层的 AveragePooling2D 取得了更好的结果. 每一层后都添加一个 1×1 卷积层进行降维. 类似于 Inception 模块.
• 大 kernels – 采用较大的 kernel，是因为能够从输入图片中提取更大尺度的特征(其本身也可以看作是 8 fliters 的激活层，每个成分的二值 mask 是一个基本 filter).

• Singals 融合 – 初步实现仅采用了单个非线性层来融合两个特征集: 二值 masks(Singal #1) 和成分计数(Singal #2). 虽然比较初步，但 添加 Singal #2 还是取得了提升，将交叉熵由 0.8 提升到了 [0.7, 0.72].

• Logits – 对于 TensorFlow， 该层是 tf.nn.softmax_cross_entropy_with_logits 计算 batch loss 的.

3.3 Stage3 – t-SNE 可视化结果

t-SNE，流形学习技术，用于数据可视化. 其最小化低维表示的数据点和原始高维数据的联合概率分布的 KL 散度, 基于 非凸损失函数. 具体可见论文 – Visualizing Data using t-SNE- JMLR2008

对于测试集分类结果的可视化，提取了对于测试集图片，分类器的 logits 层，然后采用 t-SNE. 效果还不错，如图：

分类器预测的测试集结果的 t-SNE.

虽然仍不完美，但该方法的确有效. 需要改进的地方有很多：

• 更多的数据 – ConvNets 需要大量的数据，但这里只有 139 张训练图片. 虽然数据增强十分有效(采用 D4 或 dihedral, symmetry group 数据增强，得到 2K+ 张增强图片)，但更多真实数据十分重要.

• 合适的损失函数 – 这里为了简单，采用了分类交叉熵损失函数，但会有更合适的损失函数，以更好的利用类内方差(intra-class variance). 如 Face 论文 里的 triplet loss.

• 更好的分类器结构 – 当前分类器只是基础原型，其目的是为了解释输入二值 masks，并将多种特征集组合为单个推断.

• 更好的标签 – 这里只是手工选了图片标签，六种食物质量标签，分类器的表现已经在十几个测试集图片上超过了预料.

4. 思考

在实际中更普遍的情况是，商业问题没有数据，没有标注，没有需要完成的清晰和结构良好的技术任务.
这是好事：我们要做的就是，利用工具，足够的 GPU 硬件，商业和技术的结合，预训练模型，以及其它所需要的东西，发掘商业价值.

小事开始做起 – 根据 LEGO 代码块构建的原型有助于进一步的提高交流的生产力. 作为数据科学家，应该为商业提供相应的解决方案.