HCP: A Flexible CNN Framework for Multi-label Image Classification论文学习

HCP: A Flexible CNN Framework for Multi-label Image Classification论文学习

特点

1.训练集不需要默认正确的box标签

2.HCP结构可以过滤噪声或者不相关的假设box

3.共享cnn层可以预训练大型单标签数据集

4.可以输出多标签预测结果

## 整体思路

输入为一张完整的覆盖多个独立物体的图，根据BING或者EdgeBoxes方法生成拥有高计算效果和高物体检测召回率的boxs，为了减低共享cnn层的计算量，提出了HS方法去过滤boxs（HS方法：最小面积不得小于900，宽高比或高宽比不得大于4，将BING或EdgeBoxes得分最高的boxs，归一化成正方形后输入共享cnn）

训练：初始化处理HCP主要包含两个部分，1、ImageNet预训练初始化共享cnn层。2、更改后面全连接网络输出（1000改为多分类个数，ImageNet分1000类），增加多标签labels为全连接层输入，并且增加图像微调（I-FT）处理。初始化之后，进行最大池化（Max-pooling）猜想微调（H-FT）。

实验结果

项目资料：http://blog.csdn.net/mr_curry/article/details/54629129