[论文阅读] Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation

[论文地址] [代码] [CVPR 14]

Abstract

在过去的几年里，在典型的PASCAL VOC数据集上测量的目标检测性能已经趋于平稳。表现最好的方法是复杂的组合系统，通常将多个低层次的图像特征与高层次的背景相结合。在本文中，我们提出了一种简单的、可扩展的检测算法，相对于VOC 2012的最佳结果，该算法的平均精度(mAP)提高了30%以上–达到了53.3%的mAP。我们的方法结合了两个关键的见解：(1)我们可以将大容量的卷积神经网络(CNN)应用于自下而上的区域建议(Region Proposal)，以便对物体进行定位和分割；(2)当标记的训练数据不足时，对一个辅助任务进行监督性的预训练，然后再进行特定领域的微调，可以产生显著的性能提升。由于我们将区域建议与CNN结合起来，我们将我们的方法称为R-CNN。我们还提出了一些实验，这些实验提供了对网络学习内容的洞察力，揭示了丰富的图像特征层次结构。

Method

本文为大名鼎鼎的R-CNN，其中的R表示Region Proposal，。按照现在的分类方法，本文算是一种两阶段的Anchor Based方法，流程如下所示：

• Step1: Region Proposal，即候选区域，可以认为就是一个框，框内包含我们感兴趣类别的物品。文中使用了Selective Search算法，每个图像能得到2k～3k个候选框。
• Step2: 由于框内可能包含我们感兴趣的对象，那么现在实际上就成了一个分类问题，判断这个框的类别即可。因此，将框内图像resize成CNN能够接受的输入尺寸(如224x224)，并送入CNN进行特征提取。
• Step3: 将提取得到的特征送入SVM进行分类，判断其类别。注意，由于SVM只是个二分类器，所以有多少种可能的类就要把单个特征送入多少个不同的SVM。

Pros

本文亮点如下：

• 利用深度学习模型来提取特征，性能相比传统的手工特征实现了飞跃。
• 引入了finetune思想，通过在图像分类任务上的ILSVRC数据集上预训练得到丰富表征，再在相对较小的目标检测数据集VOC上finetune。

Cons

本文不足如下：

• 慢。时间主要花在Selective Search生成候选框，以及SVM分类上，并且特征是要存在磁盘上的(占地方)。因此后续才陆续有了Fast R-CNN与Faster R-CNN。