R-CNN论文详解

这几天在看《Rich feature hierarchies for accurate object detection and semantic segmentation 》，觉得作者的科研素养非常棒，考虑问题很全面而且很有逻辑性；

不过暂时有的地方看的也不是太懂，这里转载了一篇博客中的介绍，博主写的不错；

博客链接：http://blog.csdn.net/wopawn/article/details/52133338

paper链接：链接: https://pan.baidu.com/s/1qYO4vY8 密码: 62fd

paper中相关名词解释：链接: https://pan.baidu.com/s/1nuAhidz 密码: pnsh

再推荐一个博客：http://blog.csdn.net/hjimce/article/details/50187029

&创新点

1. 采用CNN网络提取图像特征，从经验驱动的人造特征范式HOG、SIFT到数据驱动的表示学习范式，提高特征对样本的表示能力；

2. 采用大样本下有监督预训练+小样本微调的方式解决小样本难以训练甚至过拟合等问题。

   ---

&问题是什么

1. 近10年以来，以人工经验特征为主导的物体检测任务mAP【物体类别和位置的平均精度】提升缓慢；

• 随着ReLu激励函数、dropout正则化手段和大规模图像样本集ILSVRC的出现，在2012年ImageNet大规模视觉识别挑战赛中，Hinton及他的学生采用CNN特征获得了最高的图像识别精确度；

• 上述比赛后，引发了一股“是否可以采用CNN特征来提高当前一直停滞不前的物体检测准确率“的热潮。

  ---

• 【写给小白：一图理解图像分类，图像定位，目标检测和实例分割】 
  
  

  ---

  
  &如何解决问题

  。测试过程

  1. 输入一张多目标图像，采用selective search算法提取约2000个建议框；

• 先在每个建议框周围加上16个像素值为建议框像素平均值的边框，再直接变形为227×227的大小；

• 先将所有建议框像素减去该建议框像素平均值后【预处理操作】，再依次将每个227×227的建议框输入AlexNet CNN网络获取4096维的特征【比以前的人工经验特征低两个数量级】，2000个建议框的CNN特征组合成2000×4096维矩阵；

• 将2000×4096维特征与20个SVM组成的权值矩阵4096×20相乘【20种分类，SVM是二分类器，则有20个SVM】，获得2000×20维矩阵表示每个建议框是某个物体类别的得分；

• 分别对上述2000×20维矩阵中每一列即每一类进行非极大值抑制剔除重叠建议框，得到该列即该类中得分最高的一些建议框；

• 分别用20个回归器对上述20个类别中剩余的建议框进行回归操作，最终得到每个类别的修正后的得分最高的bounding box。

• ---

  。解释分析

  1. selective search 
     采取过分割手段，将图像分割成小区域，再通过颜色直方图，梯度直方图相近等规则进行合并，最后生成约2000个建议框的操作，具体见博客。

• 为什么要将建议框变形为227×227？怎么做？ 
  本文采用AlexNet CNN网络进行CNN特征提取，为了适应AlexNet网络的输入图像大小：227×227，故将所有建议框变形为227×227。 
  那么问题来了，如何进行变形操作呢？作者在补充材料中给出了四种变形方式：

  ① 考虑context【图像中context指RoI周边像素】的各向同性变形，建议框像周围像素扩充到227×227，若遇到图像边界则用建议框像素均值填充，下图第二列； 
  ② 不考虑context的各向同性变形，直接用建议框像素均值填充至227×227，下图第三列； 
  ③ 各向异性变形，简单粗暴对图像就行缩放至227×227，下图第四列； 
  ④ 变形前先进行边界像素填充【padding】处理，即向外扩展建议框边界，以上三种方法中分别采用padding=0下图第一行，padding=16下图第二行进行处理；

  经过作者一系列实验表明采用padding=16的各向异性变形即下图第二行第三列效果最好，能使mAP提升3-5%。 
  
   
  
  

• CNN特征如何可视化？ 
  文中采用了巧妙的方式将AlexNet CNN网络中Pool5层特征进行了可视化。该层的size是6×6×256，即有256种表示不同的特征，这相当于原始227×227图片中有256种195×195的感受视野【相当于对227×227的输入图像，卷积核大小为195×195，padding=4，step=8，输出大小(227-195+2×4)/8+1=6×6】； 
  文中将这些特征视为”物体检测器”，输入10million的Region Proposal集合，计算每种6×6特征即“物体检测器”的激活量，之后进行非极大值抑制【下面解释】，最后展示出每种6×6特征即“物体检测器”前几个得分最高的Region Proposal，从而给出了这种6×6的特征图表示了什么纹理、结构，很有意思。

• 为什么要进行非极大值抑制？非极大值抑制又如何操作？ 
  先解释什么叫IoU。如下图所示IoU即表示(A∩B)/(A∪B) 
  
   
  
  在测试过程完成到第4步之后，获得2000×20维矩阵表示每个建议框是某个物体类别的得分情况，此时会遇到下图所示情况，同一个车辆目标会被多个建议框包围，这时需要非极大值抑制操作去除得分较低的候选框以减少重叠框。 
  
   
  
  具体怎么做呢？ 
  ① 对2000×20维矩阵中每列按从大到小进行排序； 
  ② 从每列最大的得分建议框开始，分别与该列后面的得分建议框进行IoU计算，若IoU>阈值，则剔除得分较小的建议框，否则认为图像中存在多个同一类物体； 
  ③ 从每列次大的得分建议框开始，重复步骤②； 
  ④ 重复步骤③直到遍历完该列所有建议框； 
  ⑤ 遍历完2000×20维矩阵所有列，即所有物体种类都做一遍非极大值抑制； 
  ⑥ 最后剔除各个类别中剩余建议框得分少于该类别阈值的建议框。【文中没有讲，博主觉得有必要做】

• 为什么要采用回归器？回归器是什么有什么用？如何进行操作？ 
  首先要明确目标检测不仅是要对目标进行识别，还要完成定位任务，所以最终获得的bounding-box也决定了目标检测的精度。 
  这里先解释一下什么叫定位精度：定位精度可以用算法得出的物体检测框与实际标注的物体边界框的IoU值来近似表示。

  如下图所示，绿色框为实际标准的卡宴车辆框，即Ground Truth；黄色框为selective search算法得出的建议框，即Region Proposal。即使黄色框中物体被分类器识别为卡宴车辆，但是由于绿色框和黄色框IoU值并不大，所以最后的目标检测精度并不高。采用回归器是为了对建议框进行校正，使得校正后的Region Proposal与selective search更接近， 以提高最终的检测精度。论文中采用bounding-box回归使mAP提高了3~4%。 
  
   
  
  那么问题来了，回归器如何设计呢？ 
  
   
  
  如上图，黄色框口P表示建议框Region Proposal，绿色窗口G表示实际框Ground Truth，红色窗口G^表示Region Proposal进行回归后的预测窗口，现在的目标是找到P到G^的线性变换【当Region Proposal与Ground Truth的IoU>0.6时可以认为是线性变换】，使得G^与G越相近，这就相当于一个简单的可以用最小二乘法解决的线性回归问题，具体往下看。 
  让我们先来定义P窗口的数学表达式：Pi=(Pix，Piy，Piw，Pih)，其中(Pix，Piy)表示第一个i窗口的中心点坐标，Piw，Pih分别为第i个窗口的宽和高；G窗口的数学表达式为：Gi=(Gix，Giy，Giw，Gih)<