D3-bbox & R-CNN解读

bbox & R-CNN

bbox（Bounding Box） 是包含物体的最小矩形，该物体应在最小矩形内部。
其中，x、y代表着bbox左上角坐标（或其他固定点坐标），对应的w、h表示bbox的宽和高。

R-CNN（Regions with CNN features）

模型步骤：

1. 输入图像

2. 找出候选区域

3. 通过CNN提取特征向量

4. 训练分类器

（1）输入图像

进入CNN网络之前需要把候选区域统一成227 x 227的大小。有以下两种方法：

各向同性缩放，裁剪候选区域，边界用固定颜色背景（采用候选区域的像素颜色均值）填充到指定大小。
各向异性缩放，即直接缩放到指定大小，可能造成失真。

实验表明，各向异性缩放较好。

（2）候选区域

• selective search 选择性搜索出建议区域
• convert regions to boxes 将区域转化成框
• botton-up segmentation 自底向上分割
• merging regions at multiple scales 多尺度区域合并

（A）候选框内的图像（B）包含候选框的原图（C）各向同性缩放后的图像（D）各向异性缩放后的图像

（3）CNN提取特征向量

CNN作用：在候选区域提取特征向量，作为下一步分类器的输入，分类器回归出物体位置和种类。

文章采用AlexNet作为网络架构，去掉fc8层，softmax层替换成N+1神经元的输出层（N为物体，正样本；1为背景，负样本）。

（4）训练分类器

为什么使用SVM，而不是CNN过fc层直接softmax出来？

因为训练CNN时选取数据比较宽泛（样本不够准确），直接softmax出来效果不好。训练SVM时，使用的样本时有变换的。

修正bbox，对bbox做回归微调。

微调详解：https://blog.csdn.net/u011974639/article/details/78053203