读DL论文心得之RCNN

转载自：读DL论文心得之RCNN - liumaolincycle的博客 - 博客频道 - CSDN.NET
http://blog.csdn.net/liumaolincycle/article/details/49787101

之前研究了一段时间，又去做了一段时间的项目，发现以前看的文章都不记得讲了什么，于是又重读一遍，记录下认为重要的地方。 这篇论文是Ross Girshick等发表在CVPR2014上面的Rich feature hierarchies for accurate object detection and semantic segmentation。作者非常好，最近几篇文章的代码都开源了，本篇论文自然也是（代码在此），还有一个很棒的slides。

overview

首先对每一个输入图像都用selective search算法提取大约2000个建议框，对每一个建议框进行简单粗暴的变形，即先在周围加16个像素的边框，边框像素值为该图像的平均值，再变形为227*227的大小。对每一个变形后的建议框计算一次CNN特征，再用一个SVM分类器进行分类。

dataset

本文提出一种十分有效的解决有标签的训练数据太少的方法，先在ImageNet上有监督地预训练，再在小数据集PASCAL上微调。 
在微调时，与Ground Truth的IoU交叠≥0.5的区域建议框，认为是正样本，其他的是负样本，这样也扩大了数据集。 
但是注意，在SVM训练时，经过验证发现，与Ground Truth的IoU交叠＜0.3的区域建议，认为是负样本，Ground Truth就是正阳本，其他的忽略。作者在补充材料中做出了猜想，认为可能是SVM的训练样本需要精确的定位。

bounding box regression

包围盒回归也在补充材料中详细给出了，我描述起来有点复杂，它的主要目标是找到一个从建议框(proposal)P到实际标注框(Ground Truth)G之间的一个映射变换，通过优化一个回归函数来获得最优参数。当然也不是对所有建议框都做这样的回归，而是只对与Ground Truth的IoU交叠大于一个阈值的建议框进行回归。

non-maximum suppression

之前不太明白非极大值抑制这个看起来很专业的操作是在做什么，实际上非常简单，就是设定一个阈值，如果后到的一个区域比先到的一个区域之间的IoU交叠大于这个阈值，而得分却没有前一个区域高，就舍弃这个后到区域。

run-time

现在来看，这个速度是很慢的，但是不能不承认RCNN打开了图像目标检测新世界的大门，也占领了数据检测基准的高点，后来者再难在mAP上有很大突破，只能在速度提升上下功夫。

result

\	VOC2007	VOC2010
RCNN	54.2%	50.2%
RCNN+BB	58.5%	53.7%