目标检测

目标检测

1.大体步骤i

1）候选框的选取Selective Search

2) 特征提取（featuremap）

3）特征分类 （SVM 支持向量机分类）

4）精修—>回归器

2.RCNN

(1)RCNN的四个步骤

1）一张图经过ss方法生成1K到2k个候选框
2）对每个候选框进行提取特征，使用深度网络进行提取feature map
3）特征送入每一类送到SVM分类器，判别是否属于该类
4）使用回归器进行精细修正候选框位置

(2)候选框的生成

使用SS方法进行将图片生成候选区域
 - 使用一种过分割技术,将图片分割成小区域
 - 查看小区域，合并可能性最高的两个区域，重复至到整张图片合并成一个区域位置
 - 输出所有存在区域，即为候选区域

（3）特征的提取

 使用深度网络方法进行特征的提取
 1）预处理
 首先将候选框处理为同一尺寸（区域归一化），227*227
 影响性能问题：
 - 外扩尺寸的大小
 - 框外区域处理方法 
 - -  直接截取
 - -  补灰
 2）预训练
 网络结构![网路结构](http://i.imgur.com/6l9J4ff.png)
 训练数据 使用数据集
 3）调优训练
 网路结构：最后一层进行处理
 训练数据：考察一个候选框和当前图像上所有标定框重叠的面积最大的一个，如果重叠面积大于0.5，则认为候选框作为此标定的类别，否则认为此候选框为背景。

（4）类别的判断

分类器
对于每一类目标，使用一个SVM二类分类器进行判断，输入为深度网络最后一层，输入为最后一层的数据，输出是否为此类。
输出后会有很多的负样本。修正此方法可以使用 hard negative mining 方法。
- 正样本 本类的真正候选框 
- 负样本  与标定框的重叠小于0.3，即为负样本

（5）位置精修

 目标检测的目标就是 检测出更好的位置
 1）回归器
 对于每一类目标，使用一个线性脊回归器进行精修
 输入为深度网络pool5层的4096维特征，输出为xy 方向的缩放与平移
 2) 训练的样本
 判定与真值大于0.6的候选框