深度学习（十八）基于R-CNN的物体检测-CVPR 2014-未完待续

基于R-CNN的物体检测

原文地址：http://blog.csdn.net/hjimce/article/details/50187029

作者：hjimce

一、相关理论

    本篇博文主要讲解2014年CVPR上的经典paper：《Rich feature hierarchies for Accurate Object Detection and Segmentation》，这篇文章的算法思想又被称之为：R-CNN（Regions with Convolutional Neural Network Features），是物体检测领域曾经获得state-of-art精度的经典文献，2013年ILSVRC2013的冠军，一口气把原来的物体检测的精度从40%提高到了53%，引用率非常高。所以如果你搞物体检测方面，肯定会接触到这个算法。

   这篇paper的思想，改变了物体检测的总思路，现在好多文献关于深度学习的物体检测的算法，基本上都是继承了这个思想，比如：《Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition》，所以学习经典算法，有助于我们以后搞物体检测的其它paper。

    之前刚开始接触物体检测算法的时候，老是分不清deep learning中，物体检测和图片分类算法上的区别，弄得我头好晕，终于在这篇paper上，看到了解释。物体检测和图片分类的区别：图片分类不需要定位，而物体检测需要定位出物体的位置，也就是相当于把物体的bbox检测出来。图片分类标注好的训练数据非常多，但是物体检测的标注数据却很少，如何用少量的标注数据，训练高质量的模型，这就是文献最大的创新点，这篇paper采用迁移学习的思想，对CNN模型进行参数初始化，精度飙涨，具体后面在讲，让大家先知道这篇paper最值得我们学的思想就是无监督预训练，这也是我我觉得最早利用无监督学习方法应用于CNN中，之前虽然有看到一些图片的无监督训练（反卷积算法），但是感觉好像不顶用，引用的人也非常少。

二、算法实现

开始讲解算法前，我们需要算法的总体思路，把握总体思路，才容易理解paper的算法。

1、算法总体思路 

  图片分类与物体检测不同，物体检测需要定位出物体的位置，这种就相当于回归问题，求解一个包含物体的方框。而图片分类其实是逻辑回归。这种方法对于单物体检测还不错，但是对于多物体检测就……因此paper采用的方法是：

首先输入一张图片，我们先定位出2000个物体候选框，然后采用CNN提取每个候选框中图片的特征向量，特征向量的维度为4096维，接着采用svm算法对各个候选框中的物体进行分类识别。也就是总个过程分为三个程序：a、找出候选框。b、利用CNN提取特征向量 c、利用SVM进行特征向量分类。具体的流程如下图片所示：

2、算法实现细节

(1)候选框搜索

让我们输入一张图片时，我们要搜索出所有是物体的区域，这个采用的方法是传统文献的算法：《search for object recognition》，这个我们搜索出2000个候选框。然后我们从上面的总流程图中可以看到，我们搜出的候选框，是矩形的，而且是大小各不相同。但是我们知道CNN对输入图片的大小是有固定的，如果把搜索到的矩形选框不做处理，就扔进CNN中，肯定不行。因此对于每个输入的候选框都需要缩放到固定的大小，当然paper的缩放很简单，就是不管图片的长宽比例，管它是否扭曲，进行缩放就是了，全部缩放到CNN输入的大小227*227。(这个时候其实我们可以想到，一张矩形图片，如果强制把它缩放到227*227的正方形图片，肯定会发生扭曲，就像上面总流程图中的图3,这个方法可定会识别精度，所以在后来的另外一篇paper中：《Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition》才改进了这个输入图片的扭曲问题，在这篇博文中，我们暂且不考虑图片是否发生扭曲)。经过resize后的图片如下：

不管你物体是长的，总之最后都要强制resize到一个正方形图片。

(2)CNN特征提取

a、网络设计

CNN的网络结构方面与Alexnet网络相同（除了最后一层的softmax层之外），图片输入的大小是227*227，如果还不知道Alexnet的，还是先好好学习经典paper《ImageNet Classification with Deep Convolutional》，这是入门必学的文章。Alexnet特征提取部分包含了5个卷积层、2个全连接层。通过这个网络，我们每个输入候选框图片都能得到一个4096维的特征向量。

b、网络训练

参数初始化部分：物体检测的一个难点在于，物体标签训练数据少，如果要直接采用随机初始化CNN参数的方法，那么目前的训练数据量是远远不够的。这种情况下，最好的是采用无监督学习的方法进行预训练，然后在进行有监督的参数微调。这个应该是深度学习的灵魂了，之前看过DBM，稀疏自编码、RBM等，听过这种思路，但是在CNN里面怎么用，却一直不知道，这下子我又学了一招。我觉得这篇paper，最值得我们学的地方就是提出采用无监督训练参数初始化的方法，最后在进行有监督微调。所以上面paper在设计网络结构的时候，是直接用Alexnet的网络，然后连参数也是直接采用它的参数，作为初始的参数值。

网络优化求解：采用随机梯度下降法，学习速率大小为0.001

然而我们知道CNN可以用于提取特征，我们可以利用AlexNet的前面几层，训练好的模型，进行特征提取。

未完待续，敬请期待……

SVM分类的权值矩阵为4096*N，N为分类的个数，4096便是我们通过CNN提取到的特征向量

参考文献：

1、《Rich feature hierarchies for Accurate Object Detection and Segmentation》

2、《Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition》

**********************作者：hjimce   时间：2015.12.3  联系QQ：1393852684   地址：http://blog.csdn.net/hjimce   原创文章，版权所有，转载请保留本行信息(不允许删除)