【CV论文阅读】：Rich feature hierarchies for accurate object detection and semantic segmentation

R-CNN总结

不总结就没有积累

R-CNN的全称是 Regions with CNN features。它的主要基础是经典的AlexNet，使用AlexNet来提取每个region特征，而不再是传统的SIFT、SURF的特征。同时，还利用了AlexNet本来的功能：分类，这时所得的分类结果相当于预分类。最后，由于每个Region是有边界的，使用SVM对其进行分类得到一个score，定位每个物体的bounding box。

预处理：

先看一看AlexNet的网络结构



可以看到，它的输入图像是一个224*224*3的3通道的图像，包含有五层的卷积层，两层的全连接层，最后输出是softmax层。

R-CNN开始对图片进行提取region，称为Region proposal，并且使用的是selective search。对每张region图片warp，可以认为是调整图片的大小，但论文上提到的图片的大小是227*227，与AlexNet有一点区别。在图片warp之前，会先扩张bounding box的大小为p=16个像素。我猜这是为了消除图像的边缘效应。

训练：

这里会先做pre-training。Pre-training的好处是可以加快训练的速度，参数可以直接从其他AlexNet迁移过来，也可以重新训练，AlexNet的类别数是1000的。从图中的结构看出，最后输出的特征向量有4096维。

AlexNet的参数训练完之后，就更改它的类别数（论文使用21维，包括20维的类别，和一维的背景）。这时使用有监督训练微调参数（fine tuning），这个fine tuning我认为是由于初始的学习率较小吧，是0.001。有监督训练会涉及到类别的问题（因为这里网络最后的结果还是分类），于是，当region proposal和人工标注的ground truth 的IOU（即交集/并集）大于等于0.5时，把相应的region标记为正的，即有类别的，否则标记为负样例即background。训练的方法使用随机梯度下降的方式，与AlexNet类似，可以参考文献《ImageNet Classification with Deep Convolutional Neural Networks》。

训练的一个batch的大小为128，其中包括38个正样例，和90个负样例。（batch代表批，训练一批又叫1 iteration，所有的批训练了一次成为epoch）。

得到region即bounding box的类别之后，使用SVM训练一个二分类的分类器。算法为每一个类别都训练一个SVM分类器，注意，SVM训练的数据是经过R-CNN提取特征的4096维特征向量。此处SVM标记为负样例的阈值为IOU小于0.3，而正样例直接取ground truth box的region。训练的过程如下图：



测试：

测试的过程相对简单，对每一张图片进行region proposal之后，一般是2000个region proposal，使用R-CNN提取每个region proposal的4096维特征向量。使用SVM分类器进行分类，对得到的每个bounding box（region proposal本身是有边界的）都有一个score，在排序前先把那些IOU低于某个阈值的bounding box去掉。然后再使用非极大值抑制的方法选出最好的bounding box，从而实现定位。

论文中还做了一个对比实验，就是如果只提取特征用于分类，对于最后一个pooling层和两个全连接层fc6、fc7，当没有fine-tuning时，发现三者的分类精度其实差不多，但是如果有fine-tuning时，加入全连接层所提取的特征所得的精度会高很多。

减少定位错误：

这里定位错误使用了一种方法叫做bounding box regression，而且使用的特征就是pooling层提取的特征向量（这里是为什么呢？）。

关于bounding box regression的内容来自

http://blog.csdn.net/u011534057/article/details/51235964，这篇文章里说的很好。