[論文筆記] R-CNN

目录

RCNN 的架構

相較於過去其他算法的優點

訓練過程

其他部分

參考文獻

完整的目標檢測架構

主要由以下幾個部分組成:

1. 抽取圖像中多個候選區域

• 這個部份負責從圖像中，找出可能是物件的候選區域 (region propos)
• RCNN中採用了 selective search 來計算候選區域

2. 抽取候選區域特徵

• 前面抽取出來的候選區域圖像，會經過預處理成固定尺寸
• 預處理的過程，會將候選區域向外擴張一點、剪裁 (cropping)、最後 warp 成 227x227
• 接著被輸入 Alexnet 網絡中，抽取出 4096-D 的特徵

3. 分類候選區域

• 圖像特徵接著會被輸入多個 SVM 分類器中進行分類
• 每個分類器只負責判斷一種類目

4. 後處理

• 使用一個訓練得到的閾值，過濾類別分數過低的結果
• 對不同類別進行 greedy NMS (物件重疊時，只取分數最大的框)

相較於過去其他算法的優點

• CNN 特徵擷取器的參數，是所有類別共享的
• CNN 輸出的特徵維度不高
• 儘管如此，仍然無法實時預測
  • 預測 Region proposals + 抽取特徵 ~ 13s / image (GPU)
  • 100000 類 SVM分類器 ~ 10s

訓練過程

訓練的過程也可以以下幾個階段:

1. 預訓練 CNN 模型

• 使用 ILSVRC 2012 數據集 + 分類任務(1000類)

2. Fine tune CNN 模型

• 使用 VOC 數據集 + 目標檢測任務(20 類)
• Fine tune 完成後，會將所有圖像的特徵抽取並儲存起來

3. 訓練 SVM 分類器

• 訓練了多個 SVM 模型，每個模型只負責一個類別的二元分類

4. 訓練 Bounding box regressor

• 採用了 linear regression

其他部分

• 實驗中，發現 CNN + softmax 分類器效果並不如 SVM，所以才使用 SVM 進行分類

參考文獻

1. Girshick, R. , et al. "Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation." IEEE Computer Society (2013).
2. He, K. , et al. "Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition." IEEE Transactions on Pattern Analysis and Machine Intelligence 37.9(2015):1904-1916.