论文笔记——Rich feature hierarchies for accurate object detection and semantic segmentation

 

最近在看一些目标检测的论文，本文是经典的R-CNN（Regions with CNN features），随之产生的一系列目标检测算法：RCNN,Fast RCNN, Faster RCNN代表当下目标检测的前沿水平。在此之前主要是SIFT和HOG特征。

Code：https://github.com/rbgirshick/rcnn

概述：

 

测试流程：（1）输入测试图像

  （2）利用selective search算法在输入图像中提取大约2000个region proposals

  （3）将每个region proposal warp(缩放)成227*227，再输入到CNN计算特征(fc7的输出)，提取出的特征向量的维度为4096维

  （4）将提取到的特征输入到SVMs中分类。

  （5）对分类好的region proposal做bounding-box regreesion：每个region都会给出所对应的score，选出前几个对大数值，然后再用非极大值抑制canny来进行边缘检测，最后就会得到所对应的bounding-box

针对的问题：localizing objects with a deep network 和 training a high-capacity model with only a small quantity of annotated detection data. 

（1）图像中的目标定位两种思路：把定位当做回归问题或利用滑动窗口(sliding-window)

（2）对于数据量不足(labeled data is scarce):在大数据集(ImageNet)上进行预训练，之后在特定领域的数据集(PASCAL)上对网络进行fine-tuning(微调)。

非极大值抑制（NMS）先计算出每一个bounding box的面积，然后根据score进行排序，把score最大的bounding box作为选定的框，计算其余bounding box与当前最大score与box的IoU，去除IoU大于设定的阈值的bounding box

运行时间分析：——快的原因：CNN的参数共享，低维度的features vectors，所需要的内存小

数据集的划分：若region proposal与ground-truth的IoU大于某个阀值则为正样本，否则为负样本。阀值是由a grid search over{0,0.1,...,0.5}on a validation set产生的。

结果：将PASCAL VOC上的检测率从35.1%提升到53.7%。