Bounding Box是怎么得到的-RCNN目标检测初探

近期在学习目标检测，此前对于Bounding Box一直心存疑惑：

a.Bounding Box是怎么被神经网络预测出来的？

b.卷积神经网络除了能够对图像分类，还可以预测出图像中物体的边界吗？

c.如果可以预测边界，为什么这个边界不是物体的轮廓，而是一个矩形呢？

 

带着这些问题，阅读了R-CNN[1]，R-CNN的步骤如下：

1.训练阶段：

1.1 预训练AlexNet

使用ILSVRC-2012预训练AlexNet，将1000路分类层改为21路分类层，再用PASCAL-VOC2007(算上背景是21类)进行SGD微调训练，得到微调后的网络模型，记为XNet(XNet是为了便于大家理解上下文才这么写的，原文中没有这个名词)；

1.2 微调

训练集中的每张图片已经含有人工标记的ground-truth(GD)，对每张图片，使用Selective search(SS)[2]方法提取出2000个region proposal(RP)，将每个RP的边框向四周扩张16个像素后，resize为227*227，得到新RP，将含有待分类物体且与GD之间的IOU大于0.5的新RP作为可分类数据、IOU小于0.5的作为第21类即背景数据，使用SGD方法，继续训练XNet神经网络；

1.3 针对每类物体训练一个SVM：

将每类图片的GD作为正样本，该图片所有与GD之间的IOU小于0.3的RP以及与该图片不同类别的所有其他图片的GD作为负样本ÿ