目标检测论文解读1——Rich feature hierarchies for accurate object detection and semantic segmentation

背景

　　在2012 Imagenet LSVRC比赛中，Alexnet以15.3%的top-5 错误率轻松拔得头筹（第二名top-5错误率为26.2%）。由此，ConvNet的潜力受到广泛认可，一炮而红。既然convNet在图像分类任务上能取得好成绩，是不是也能放到目标检测任务上呢。本文就是用convNet解决目标检测任务的首次探索。在PASCAL VOC 2010上的mAP达到了53.7%。

方法

　　模型一共分为三个模块。

　　(1)region proposals(区域推荐))。在一张整图上面产生很多的侯选框，因为目标检测任务不仅要做分类，还得把目标框出来。这里其实是用了遍历的思想，先把可能存在目标的位置全部列出来，再一个个分类。这里用到的是selective search算法。

　　(2)Feature extraction(特征提取)。这部分就是通过AlexNet的前5个conv层和前2个FC层对上面产生224*224*3的图片进行特征提取（注意：产生的子图片要resize到224*224*3,因为后面的FC层接受的是固定长度的vector），最终产生的是4096-d的feature vector。

　　(3)SVM分类。使用SVM方法对每个4096-d的feature vector进行分类。注意，原AlexNet里面分类是在后面加一个FC层，把4096-d的vector转成N-d(N是类别数)，然后用softmax算法做分类。作者之所以不用这种方法是因为实验中SVM方法效果更好。

　　(4)bbox regression(边框回归)。 使用回归器精细修正候选框位置。

总结

　　可以发现，RCNN的原理十分简单，先用selective search算法在整图上产生n个子图，再把子图resize到224*224*3，然后扔到AlexNet里面(FC-softmax层去掉)，产生n个4096-d的vector,用SVM算法分类。

　　它的贡献在于是用convNet解决目标检测问题的开山之作，模型的mAP比传统方法高，让更多人通过ConvNet来解决目标检测问题。

缺点

　　(1)它的缺点当然也是很明显的，首先这种方法太暴力，一张图片要产生几千张子图，占用大量的磁盘空间；

　　(2)还有就是效率低，我们可以发现，几千张图片肯定有非常多重合的部分，然而这些重合部分都要分开来计算，产生了大量的冗余计算。