目标检测R-CNN.读论文

作为RCNN系列小说的第一篇，今天终于翻开了第一页。论文和论文详解博客夹着看，大概是文章要做的事情看懂了，代码等4篇看完再看，代码的复现就要等GPU买回来了。

一、文章做了什么

    深度学习在目标检测领域的开山之作。用Selective Search生成2k个候选区域，经过归一化处理，通过AlexNet/VGG进行特征提取，然后用SVM进行识别分类，再用Bounding Box Regressing获得最终的候选框的(x,y,h,w)。

二、创新点在哪

    1.用CNN进行特征提取.

    传统的目标检测算法HOG、SIFT、DPM 等，以后再看。

    2.迁移学习。用大样本数据集进行预训练pretrain，再对小样本进行fine-tuing。(用ILSVRC2012预训练，2百万图片，200个类别；用PASCAL VOC进行微调,20个类别）

     解决的问题：如果只有小样本作为训练集，很难训练，而且可能会过拟合 

三、算法步骤

1）候选区域的选择

     Selective Search

    从一张图像生成约2000-3000个候选区域。基本思路如下： 

- 使用一种过分割手段，将图像分割成小区域 
- 查看现有小区域，合并可能性最高的两个区域。重复直到整张图像合并成一个区域位置 
- 输出所有曾经存在过的区域，所谓候选区域

候选区域生成和后续步骤相对独立，实际可以使用任意算法进行。

    

        2）CNN特征提取

    1.预处理：Crop/Warp。全部归一化到227*227(AlexNet输入的图片分辨率)

    2.有监督预训练。

    训练集ILSVRC2012全部，学习率0.01，提取的特征为4096维，输出1000维类别的符号   

    3.fine-tuning

    网络结构：同样的网络结构，最后一层换成4096->21的全连接网络

      学习率0.01(为pretrain的1/10)，每一个batch包含32个正样本和96个background

    训练数据： 

     PASCAL VOC 2007的训练集，输入一张图片，输出21维的类别标号，表示20类+背景。 

(考察一个候选框和当前图像上所有标定框重叠面积最大的一个。如果重叠比例大于0.5，则认为此候选框为此标定的类别；否则认为此候选框为背景)

        3）分类与边界回归

        实际包含两个子步骤，一是对上一步的输出向量进行分类（需要根据特征训练分类器）；二是通过边界回归（bounding-box regression) 得到精确的目标区域，由于实际目标会产生多个子区域，旨在对完成分类的前景目标进行精确的定位与合并，避免多个检出。

四、R-CNN有什么问题

    

    1）多个候选区域对应的图像需要预先提取，占用较大的磁盘空间；

    2）针对传统CNN需要固定尺寸的输入图像，crop/warp（归一化）产生物体截断或拉伸，会导致输入CNN的信息丢失；

    3）每一个ProposalRegion都需要进入CNN网络计算，上千个Region存在大量的范围重叠，重复的特征提取带来巨大的计算浪费。

     SPP-Net诞生,不想写了...