（R-CNN）Rich feature hierarchies for accurate object detection and semantic segmentation论文阅读笔记2014

最新推荐文章于 2024-04-18 23:00:13 发布

AndyLiu1997

最新推荐文章于 2024-04-18 23:00:13 发布

阅读量645

点赞数

分类专栏： CV论文阅读文章标签：卷积神经网络计算机视觉深度学习神经网络

本文链接：https://blog.csdn.net/weixin_43422466/article/details/106177179

版权

本文详细解读了2014年的R-CNN论文，介绍了如何利用深度卷积神经网络（CNN）提升目标检测的准确性。R-CNN通过将区域建议与CNN相结合，实现了在PASCAL VOC 2012数据集上的性能显著提升，达到53.3%的mAP。在预训练和微调策略中，R-CNN展示了CNN在数据有限时的有效性。此外，R-CNN也成功应用于语义分割任务，实现了当时最佳的分割准确率47.9%。通过区域建议、CNN特征提取和SVM分类，R-CNN解决了定位和识别问题，且在测试阶段表现高效。

摘要由CSDN通过智能技术生成

文章目录

（R-CNN）Rich feature hierarchies for accurate object detection and semantic segmentation论文阅读笔记2014

（R-CNN）Rich feature hierarchies for accurate object detection and semantic segmentation论文阅读笔记2014

Abstract

使用PASCAL VOC数据集评估的目标检测任务的变现，近几年有所停滞，目前最好的方法都是复杂的聚集系统：将多个低级的图像特征与高级的context进行组合。本文中，我们提出一个简单的、可扩展的检测算法，相对于VOC2012最好表现提升了超过30%的mAP，达到了53.3%。我们的方法组合了两个关键的想法：

为了定位和分割，我们可以将高能力（高容量，high-capacity）的CNN用在自底向上的区域建议中（region proposals）。
当标签的训练数据稀缺时，可以对辅助任务进行有监督的预训练，然后进行针对特定领域的微调，可显着提升性能。

因为我们将区域建议与CNN进行组合，我们把我们的方法叫做RCNN：Regions with CNN features。我们同样做了实验来看网络学到什么，结果是图像特征的rich hierarchy。

1.Introduction

Features matter。上一个十年视觉识别任务的发展是建立在SIFT和HOG的应用上。但是近几年2012-2014，我们再看，已经没有多少进步了，都是通过集合不同的系统，使用多个方法汇总来提升的。

SIFT和HOG都是按块分的方向直方图（blockwise），可以大致与V1中的复杂细胞（在灵长类动物视路径中的第一个皮质区域）相关联。但是我们知道，识别发生在几个下游阶段，这意味着获得一个更有效的特征的计算过程可能需要分层的、多阶段的处理。

一个叫neocognitron的模型，是第一个这种尝试，然而它缺乏监督学习的算法。LeCun使用SGD，通过反向传播，使用神经网络，优化了模型。

CNN在1990s有着广泛应用，但是后来不再流行，尤其是在CV领域，因为支持向量机的出现。2012年，AlexNet又一次使得CNN流行起来，它在ILSVRC取得了很好的效果。

在2012年ILSVRC研讨会上对ImageNet结果的重要性进行了激烈的辩论，核心问题可以归结如下：ImageNet上CNN分类结果在可以在多大程度上概括为PASCAL VOC挑战中的物体检测结果？

我们通过建立分类与目标检测任务之间的桥梁来回答这个问题。本文是首个提出CNN可以极大提升PASCAL VOC上目标检测表现的论文。达成这一结果需要解决两个问题：使用深度网络定位目标、只是用较少数量的标记数据训练一个高能力的网络。

与图像分类不同，**检测需要在图像中对目标进行定位。一种方法是把定位视为回归任务。**然而Szegedy和我们的文章都发现这种策略实际上表现可能不够好。另一种方法就是建立一个滑窗检测器，CNN广泛应用在这种方法中，用在人脸或者行人检测这种特殊的任务中，但是通常它们只有两层卷积层，我们也考虑过这种方法。我们使用了五层卷积层，使用了很大的感受野（195 * 195像素）以及步长（32 * 32），这使得滑窗进行精确定位成为了一项挑战。

因此，我们通过“recognition using regions”来解决CNN的定位问题。==在测试阶段，我们的方法生成大约2000个类无关的区域建议，使用CNN对每个区域提取一个固定长度的特征，然后使用category-specific的线性SVM对每个区域进行分类。==我们使用简单的技术**（仿射图像变形）**来对每个区域建议形成固定尺寸的CNN输入，而不管区域的形状。图1展示了我们方法的过程，因为我们的方法组合了区域建议和CNN，所以称为R-CNN。

检测领域的第二个挑战是，标记的数据比较缺乏，目前的数据量不足以训练大型CNN。传统方法是使用非监督的预训练，然后使用监督的微调。==本文的第二个贡献就是展示了，在大的辅助数据集（ILSVRC）上进行有监督的预训练，然后再在小的数据集（PASCAL）使用领域知识进行微调，这是一种当数据不足时有效的对高能力CNN的训练方法。==在我们的实验中，微调对mAP提升了八个百分点，在微调后，我们的系统在VOC2010上取得了54%的mAP，相比较来说基于HOG的DPM（deformable part model）仅仅是33%。

我们的系统也十分有效率。**唯一的class-specific计算是一个相当小的矩阵向量乘积以及贪婪非极大值抑制。**这个计算跟随特征，可以在所有类别中共享，并且特征的维度也比以前的方法低两个数量级。

HOG类的特征的一个优点在于简单：很容易理解它们携带的信息。我们能从CNN学到的特征得到一些启示吗？也许密集连接的层，有超过54million参数的它们是关键？然而并不是。我们“叶状化”CNN，然后惊讶的发现，有大概94%的参数，当它被移除后，检测准确性只下降一点点。然而，检测网络中的units，我们可以看到卷积层学到了许多rich features。（见图3）

了解我