【R-CNN系列目标检测】（1）R-CNN算法

重点参考《深度学习（十八）基于R-CNN的物体检测》和《RCNN学习笔记(1):Rich feature hierarchies for accurate object detection and semantic segmentation》

R-CNN（Regions with Convolutional Neural Network Features）【1】是RBG大神将CNN引入目标检测领域的开山之作，之后的一系列进化算法（SPP-Net、fast R-CNN、faster R-CNN、YOLO、YOLO2、SSD）都是受其启发做的

R-CNN的主要贡献有2个：
1）经典目标检测算法一般使用滑动窗口扫描所有可能区间，同时需要考虑变化窗口尺寸以适应不同大小的目标，这种方法效率太低。R-CNN使用Selective Search方法预先提取所有候选区域
2）经典目标检测算法依赖人工设计的特征，R-CNN使用深度学习自动提取和学习特征

---

算法思路

首先使用Selective Search方法提取所有可能区域（大约2K个），然后采用CNN（AlexNet）提取每个候选区域的特征向量（维度4096），最后使用SVM对每个特征做分类（图1）

　　　　　　　　
　　　　　　　　 　　　　　　　　　　　　　　　　　图1. R-CNN算法总体思路

候选框提取

使用Uijlings的Selective Search方法，算法输出的区域有很多，需要做一个非极大值抑制（对概率最高的区域，计算其他区域和他的重合度，如果重合度比较大则删除这些区域；然后考虑概率第二高的区域。。。），最后得到大约2K个候选区域。

由于CNN的需要统一尺寸的输入，因此这里还需要将候选区域resize（对AlexNet是227*227）。文章试验了2种不同的resize方法：
1）各向异性缩放
不管当前区域的长宽比，直接resize。结果可能会扭曲原图
2）各向同性缩放
这里也有2种处理办法
a.直接在原始图中做边界扩展，如果到了图像边缘则用区域的均值做填充
b.在区域边缘使用固定背景颜色做填充
需要注意的是，这两类方法中文章还加了padding处理（就是先添加一定尺寸的边界）。

最终文章选择padding=16的各向异性resize方法

CNN特征提取

文章考虑了AlexNet和VGG16两个经典的网络。前者测试的精度为58.5%，后者为66%；但VGG16的计算量是AlexNet的7倍。最后文章选择AlexNet

文章将CNN训练分为两步：首先使用ILSVRC2012的数据做预训练（1000类），然后使用VOC数据集做fine-tunning（之所以要预训练是因为VOC数据量太少）

fine-tuning阶段将网络输出换成21类，学习率设为0.001，每次迭代使用32个正样本和96个负样本（IoU重叠阈值设为0.5，大于该值为正，小于为负）

文章同时测试了不用fine-tuning，直接用AlexNet的模型做特征提取，发现p5层的精度与f6、f7差不多，其中f6得到的特征比f7精度还搞。而fine-tuning后的f7输出特征获得的分类精度会得到大幅度提高。

这个测试表明，入过不针对特定任务做fine-tuning，CNN与SIFT一样，获得的是基础的通用特征。

SVM训练及测试

实际上CNN最后一层（softmax）就能提供分类结果，那为什么要用f7的特征通过SVM做分类呢？

这是由于考虑到过拟合的风险，CNN的训练数据比较宽松，一个bouding box可能只包含一部分物体（IoU=0.5），也作为正样本训练；
而SVM适用于少样本训练，所以训练数据可以比较严格（文章选择IoU=0.3），这样能获得比softmax更高的分类精度。

对于K个目标分类，同时训练K个SVM。假设图片候选框为2000个，那么输入特征维度为2000*4096，SVM的权重维度为4096*1（需要注意的是，由于IoU的选择不同，CNN和SVM的正负样本性质可能不一样）

---

算法实现

RBG大神在Github上公开了代码，可能是由于selective search代码的原因，使用的Matlab

---

参考文献

【1】 Girshick R, Donahue J, Darrell T, et al. Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation[C]// Computer Vision and Pattern Recognition. IEEE, 2013:580-587.

---