cnn 怎么提取纹理_目标检测合集 | 1 R-CNN解析

R-CNN（Regions with CNN features，具有CNN特征的区域），Ross B. Girshick在2013.11年提出，用CNN代替了传统的颜色、纹理等浅层的特征，在DPM多年瓶颈期后，显著提升了检测率，但没有改进传统的流程框架，依然还存在检测速度、精度不满意。Rich feature hierarchies for accurate object detection and semantic segmentation，作者主页核心思想：

• 选择性搜索选出推荐区域，在自下而上的区域推荐上使用CNN提取特征向量
• 分别训练三个模型：CNN fine-tuning模型（提取图像特征，AlexNet训练ImageNet）、SVM分类器（预测类别）、回归模型（修正边界，L2损失）
• 提出了数据缺乏时训练大型CNNs的“辅助数据集有监督预训练—小数据集特定领域调优”训练方法。
• VOC2007 58.5%，VOC2010 53.7%

缺点：

• 重叠区域特征重复计算，GPU还要40s；
• 输入CNN的区域推荐图片有缩放会造成物体形变、信息丢失，导致性能下降。
• 分别训练三个模型，繁琐复杂：因为用的是传统目标检测的框架，需要训练CNN fine-tuning模型（提取图像特征）、SVM分类器（预测类别）、回归模型（修正边界），中间数据还需要单独保存。训练SVM时需要单独生成样本，而这个样本和CNN提取带出来的样本可能存在差异，将各个模型拼在一起就会有性能损失。
• 候选框选择搜索算法还是耗时严重，2000个候选框都需要CNN单独提取特征，计算量很大；
• 多个候选区域对应的图像需要预先提取，占用较大的磁盘空间；

目标检测系统：（分类和定位）

• 通过选择性搜索从图像提取大约2000个自下而上的区域推荐
• 用AlexNet提取每个变形后的区域推荐（227×227）的特征
• 使用线性SVM对每个区域的特征向量进行分类，再边界框回归精修得到对应的位置坐标信息。

检测算法架构（预测）

• 提取