目标检测之RCNN系列算法学习

1. RCNN

标题	Rich feature hierarchies for accurate object detection and semantic segmentation Tech report
作者团队，发表时间	UC Berkeley， CVPR-2014
文章解决的问题	提高目标检测速度和准确率
解决的方案	提出两步检测框架，先用selective search进行检测框的proposal，然后使用CNN提取检测框的特征，接着利用SVM判断类别，并对检测框进行回归矫正
实验与结果	1.数据库: ImageNet，PASCAL VOC 2010 2. 训练参数: 3. 训练策略： 4.Result： achieves a mean average precision (mAP) of 53.7% on PASCAL VOC 2010
总结	改进点： 1.用SoftMAx取代SVM进行加速 2. 使用更好的网络架构 3.标定框proposal算法selective search不具备尺度鲁棒性 4. image size warp算法会造成图像畸变，有改进空间

1.1 解决的问题

1.1.1 image size warp

问题：
由于RCNN采用的是AlexNet架构，输出为固定的4096维数据，所以需要将网络输入固定（227x227）
解决方案：
直接将检测框resize成227x227大小，但在resize之前将检测框下端做16个像素的padding，以增大视野

1.1.2 训练数据不足

问题：
目前只有PASCAL VOC含有检测框标准，而ILSVRC2012只有类别信息
解决方案：
使用ILSVRC2012进行pretrain，使用PASCAL VOC进行fine-tune
a. fine-tuning: SGD ,learning rate of 0.001 (1/10th of the initial pre-training rate),
batch 构成：32 positive windows (over all classes) and 96 background windows
，这样做的目的是均衡正负样本数量。
b. 训练CNN与SVM分类器样本不一样，SVM分类器的数据更加严格，为准确无误的打标框，原因在于CNN要的训练数据远远大于SVM，因此CNN与SVM可以分开训练。

1.2 论文结论

1.2.1 数据相关性

经过作者进行image URL比较和图像内容比较，得出PASCAL VOC与ILSVRC2012数据只有小于1%的重复率。

2. Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition

标题	Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition
作者团队，发表时间	Facebook， TPAMI-2015
文章解决的问题	提高目标检测速度和准确率
解决的方案	提出Spatial Pyramid Pooling，将proposal和detection连接在一起，可以一起训练，避免resize对数据精度的影响
实验与结果	1.数据库: ImageNet，PASCAL VOC 2010 2. 训练参数: 3. 训练策略： 4.Result：
总结	改进点： 1.