MultiBox 详解

Scalable Object Detection using Deep Neural Networks

论文链接

---

  在 R-CNN 网络中，提取 region proposals 使用的是一种传统的基于搜索的策略，这种策略的时间复杂度高而且生成的 region proposals 数量很多，不利于后续网络对生成的 region proposals 进行分类。在这篇论文中，作者提出了一种利用深度学习的方法提取 region proposals，大大减少了时间复杂度和生成 region proposals 的数量。而且可以进行多目标的检测。为之后提出的各种利用 CNN 网络生成 region proposals 的方法奠定了基础。

  其中作者的主要实现的功能就是：在不知道类别的情况下定位目标，并提供定位此目标的 confidence。可以理解为，在不知道要分几类的情况下，定位出来图片中所有可能的候选目标。

一、生成 Region proposals

---

  这一步也是本论文的核心，即如何使用 CNN 网络生成 region proposals。注意：无论是生成 Region 还是进行分类，对于 CNN 网络部分，作者使用的都是 AlexNet。

  作者定义了一个新的 loss，通过最优化这个新的 loss，实现了对目标的定位，以及提供了在此回归框下的目标的置信度（此时还不知道目标的类别，只是预测了它框住的是一个物体的概率）

（一）网络部分

---

  网络输出的 region proposals 的数量是固定的，这个数量通过超参数 K 指定。在试验中，作者使用的 $K=100$ 或 $K=200$。我们将第 $i$ 个对象框，以及与其关联的置信度，设置为最后一层的节点值。对于每个生成的 region 都有5个值，其中两个坐标（2 x 2 = 4 个值），还有一个置信度（1 个值）

  具体做法是，将两个输出层都连接到最后的隐藏层。其中，第一个输出层用于回归 Bounding Box，第二个输出层用于得到置信度。

（二）Bounding Box

---

  将 Bounding Box 的左上角坐标，和右下角坐标设置为 4 个节点值。使用符号 $l_i$ 表示。其中 $l_i\in {\mathbb{R}}^4$。

  其中坐标需要进行归一化，具体的做法是：点的 x 坐标除以图像的宽，点的 y 坐标除以图像的高。经过这样的处理，x, y 的值就相当于占整个图像的比例，就和图像的大小无关了。

（三）置信度

---

  置信度代表，圈住的 Bounding Box 中的东西，是一个物体的概率（这里并不知道类别）。这个置信度，使用模型最后一层的一个节点值表示。符号记为：$c_i$，其中 $c_i\in [0,1]$，是通过 sigmoid 函数压缩网络输出数值得到。

（四）损失函数

---

数学符号表示：
（1）$K$ 表示生成的 Bounding Box 的数量
（2）$M$ 表示 ground truth 的数量
（3）$l_i$ 表示第 $i$ 个 Bounding Box 的左上角、右下角坐标的四个值。其中 i ∈ { 1 , 2 , 3 , . . . , K } i\in\{1,2,3,...,K\} i∈{ 1,2,3,...,K}
（4）$g_j$ 表示第 j j