目标检测笔记(1)——R-CNN

论文：Rich feature hierarchies for accurate object detection and semantic segmentation

             （https://arxiv.org/abs/1311.2524v3）

    算法结构:

   

    R-CNN由三部分组成：产生region proposals，CNN提取region proposals的特征向量，SVM分类和bounding box回归

        1）region proposals

              在selective search前将每个图像resize成固定尺寸（宽500像素）

        2)  CNN特征提取模型训练：

              模型：AlexNet，结构不变，输出4096维特征

                               

            初始参数：ILSVRC2012 预训练参数‘

            fine-tuning数据集：selective search在目标检测数据PASCAL上产生的候选框与ground-truth的 IoU大于等于0.5为正样本，与ground-truth的IoU小于0.5或者背景为负样本，模型输入候选框resize成227x227图像

            训练策略：使用SGD优化，学习率0.001（是预训练学习率的1/10），每个mini-batch的大小是128，由32个正样本和96个负样本组成（正负样本偏差是由于正负样本数量不平衡）

  3)   目标分类SVM训练

             为每个类别训练1个线性svm二分类器。 

             数据：与ground-truth的IoU大于0.3为正，小于0.3为负 ，选择{0，0.1，0.2，0.3，0.4，0.5}集合中的其他值作为阈值时mAP会下降 

             训练输入：判为正样本的候选区提取的4096维特征    

 4） bounding-box回归       

             训练线性模型用于预测框，对每个search proposal使用特定类别svm打分后， 使用特定类别bounding-box回归进行bounding-box预测。

             输入：N个训练对序列，，P是proposal框的中心坐标和宽、高，4个值，G是ground-truth对应的值。