Rich feature hierarchies for accurate object detection and semantic segmentation 笔记

CVPR2014

 

物体检测算法，R-CNN，即Regions with CNN features。该论文采用的方法在PASCAL VOC 2010上mAP达到53.7%，比之前传统的方法要高很多。

 

论文总体思路可以分成3个步骤：

1.     产生大约2000个region proposals

2.     对这些region proposals进行CNN训练，提取特征向量

3.     对上一步产生的特征向量用一个线性的SVM进行分类

如下图所示：

具体步骤如下：

第一步，提取region proposal。采用“selectivesearch”方法，提取大约2000个region proposal。提取的region proposal有大有小，是矩形的。

第二步，将region proposal的大小重新调整到227*227（CNN训练需要固定大小的图片作为输入）。然后将重新调整后的图片送入CNN，提取出4096维的特征向量。其中CNN网络采用AlexNet（将最后一层softmax去掉），利用Caffe进行训练。如下图：

第三步，将第二步提取出来的特征向量送入一个线性的SVM进行分类。

训练

       训练分为2步。supervised pre-training和Domain-specific fine-tuning。

由于物体标签训练数据太少，要是直接用CNN训练话容易造成过拟合。所以需要一个有监督的预训练。

        supervised pre-training：在ILSVRC 2012数据集上进行预训练，数据集只有图像级别的标注信息（即只知道图片的类别，不知道图片中具体物体的位置），直接采用AlexNet进行训练。

      Domain-specific fine-tuning：采用“selectivesearch”搜索出来的候选框（数据集），然后处理成指定大小的图片，继续对上面预训练的cnn模型进行fine-tuning训练。由于ILSVRC 2012数据集上有1000类的物体，而PASCAL VOC 2010比赛只有20类的物体需要检测，故需要将AlexNet网络的最后一层1000类的softmax改成21类（20类物体加上1个背景background），其余网络层参数不变。最后在每次训练的时候，batch size大小选择128，其中32个正样本、96个负样本（由于正样本相对于背景（负样本）太少了）。

参考文献：RCNN学习笔记(2):Rich feature hierarchies for accurate objectdetection and semantic segmentation