R-CNN理解

Girshick R, Donahue J, Darrell T, et al. Rich feature hierarchies for accurate object detection and semantic segmentation[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2014: 580-587. —— [ 论文链接]

简介

 在R-CNN之前的对象检测方法一般都是将低层图像特征和高层上下文相结合，相比于R-CNN，在对象检测过程中最好的mean average precision也不超过30%。R-CNN方法结合了两个关键点：（1）将高容量卷积神经网络（CNN）应用于自下而上的区域候选集，以便对对象进行定位和分割;（2）当带标签的训练数据稀缺时，使用带监督信息的预训练CNN网络，并对特定领域进行微调，可以显著提示性能。

R-CNN

模块设计

区域候选集：近来有一系列文章提出了生成与类别无关的区域候选集的方法，例如select search、multi-scale combinatorial grouping等。本文中作者使用的是selective search方法；
特征提取：使用一个CNN网络提取每个候选区域的特征向量（4096维）。因为神经网络的输入需要是一个固定尺寸，因此每次都需要把候选区域调整成227×227。

训练

监督预训练：在辅助数据（ILSVRC 2012）上预训练一个CNN网络，其标签是图像级别的，而不是边框的标签、
特定领域微调：为了使CNN网络能够适应新的任务（对象检测）和新领域。将之前的CNN网络的最后一层从1000类改为21类（20个对象类+1个背景），若候选区域与ground−truth重叠度IOU≥0.5则定义该候选区域为正例。设置batch−size为128，其中包含32个正例和96个负例。
对象分类器：对每一种类别的对象都训练一个SVM二分类器，判断一个候选区域是否属于该类。在训练的时候，给IoU设定一个阈值，低于该阈值的候选区域就是负例。由于参与训练的。为适应训练数据过大，SVM训练时采用standard hard negative mining method。

实验结果