RCNN论文阅读笔记

RCNN论文阅读笔记

原文：Rich feature hierarchies for accurate object detection and semantic segmentation
时间：2014年

文章解决了什么问题

目标检测发展停滞，通过复杂的ensemble模型才能勉强提高一些精度

用了什么方法

两个 insights

• 在bottom-up region proposals中应用卷积神经网络（AlexNet）
• 提出当标签数据少的时候训练神经网络的模式——“supervised pre-training/domain-specific fine-tuning”

三个模块

• category-independent的region proposals
• 提取特征的CNN，在ImageNet上pre-train，然后在目标检测数据集上fine-tune
• 对每个类的SVM二分类器
  

训练过程

• 在ImageNet上训练AlexNet
• 用wrap的proposal region来fine-tuning，将最后一层1000的全连接层换成$N+1$层的全连接层，其中$N$是检测目标的类别，额外的1代表背景
• 得到proposal和特征后，使用SVM分类
• 使用proposal和特征进行bounding box regression，得到更好的bounding box

效果如何

• 在VOC 2010 test上将mAP提升到了53.7%，在VOC 2013上mAP为31.4%，第二OverFeat是24.3%
• 当时相对快 13s/image on a GPU 53s/image on a CPU
• 内存占用小，用CNN提取4096维特征，占用的内存小

存在什么不足

• 慢，CNN对每个proposal提取特征
• multi stage，麻烦
• 需要disk memory

其他

一些解释

• PASCAL VOC dataset
• DPM
• bounding box regression
• selective search
• hard negative mining method

为什么不直接使用fine-tune之后的CNN来进行分类？

作者做了这样的实验，在VOC2007上mAP从54.2%降低到了41.3%，作者推测可能因为fine-tune时给的数据的定位可能没有做的很好

发现

作者通过在未经fine-tuning的网络上分析，发现去掉最后的两层fc层网络表现反而更好，这时去掉了大量的参数，前面的特征仅仅是用6%的网络参数得到的，因此发现CNN的表示能力主要来自于它的卷积层