论文提要“Part-based R-CNNs for Fine-grained Category Detection”

物体的局部信息可以用来进行精细分类，这篇文章学习了整个物体和物体局部检测器，从pose-normalized表示预测精细分类。局部定位可以反应物体之间的关联，并能降低物体姿态或相机位置变化带来的影响。Poselet和DPM用于物体局部定位获得了一定的效果，但测试时只有在给定bbox时才能获得充足的局部定位信息。精细识别，属性识别，姿态估计及推理预测等需要准确的局部信息。

思路来源：在Caltech-UCSD bird数据库上，SS提取局部proposal的平均recall为95%，使用R-CNN同时定位整个物体和局部，整个思路流程如下所示。

Part-based R-CNNs
训练前准备这个物体和特定局部集${p_1,p_2,...,p_n}$的groundtruth标记，训练时物体和局部被认为是独立的物体类，使用proposal提取的特征训练1-all的SVM，overlap>=0.7的正样本，<0.3的负样本。对于一个物体，学习到整个物体（root）的SVM权值$w_0$，及所有局部${p_1,p_2,...,p_n}$的权值 w1,