目标检测算法（一）：R-CNN详解

参考博文：https://blog.csdn.net/hjimce/article/details/50187029

R-CNN（Regions with CNN features）--2014年提出

算法流程

　　1.输入一张图片，通过selective search算法找出2000个可能包括检测目标的region proposal（候选框）

　　2.采用CNN提取候选框中的图片特征（AlexNet输出特征向量维度为4096）

　　3.使用SVM对特征向量分类

　　4.bounding-box regression修正候选框位置

（一）候选框搜索

　　通过selective search算法可以搜索出2000个大小不同的矩形框，得到对应的坐标

　　遍历候选框：

　　　　对候选框进行筛选，去掉重复的、太小的方框等，假设剩余1500个。截取剩余的方框对应的图片，得到了1500张图片

　　　　由于CNN对输入图片的大小有要求，需要对以上图片进行缩放处理，方法有：各向异性缩放、各向同性缩放。缩放到CNN要求的大小

　　　　根据IOU对每一张图片进行标注，如IOU>0.5标注为目标类别（正样本），否则为背景类别（负样本）

　　我的理解：每一张原始图片都会生成1500个训练样本

（二）CNN提取特征

　　可选网络结构：AlexNet，Vgg-16

　　预训练：有监督预训练

　　　　物体检测的一个难点在于，物体标签训练数据少，如果要直接采用随机初始化CNN参数的方法，那么目前的训练数据量是远远不够的。

　　　　这种情况下，最好的是采用某些方法，把参数初始化了，然后在进行有监督的参数微调，文献采用的是有监督的预训练。

　　　　有监督预训练，我们也可以把它称之为迁移学习。比如你已经有一大堆标注好的人脸年龄分类的图片数据，训练了一个CNN，

　　　　用于人脸的年龄识别。然后当你遇到新的项目任务是：人脸性别识别，那么这个时候你可以利用已经训练好的年龄识别CNN模型，

　　　　去掉最后一层，然后其它的网络层参数就直接复制过来，继续进行训练。这就是所谓的迁移学习，说的简单一点就是把一个任务训练好的参数，

　　　　拿到另外一个任务，作为神经网络的初始参数值,这样相比于你直接采用随机初始化的方法，精度可以有很大的提高。

　　　　图片分类标注好的训练数据非常多，但是物体检测的标注数据却很少，如何用少量的标注数据，训练高质量的模型，这就是文献最大的特点，

　　　　这篇paper采用了迁移学习的思想。文献就先用了ILSVRC2012这个训练数据库（这是一个图片分类训练数据库），先进行网络的图片分类训练。

　　　　这个数据库有大量的标注数据，共包含了1000种类别物体，因此预训练阶段cnn模型的输出是1000个神经元，

　　　　或者我们也直接可以采用Alexnet训练好的模型参数。

　　fine-tuning

　　　　将最后一层的输出层单元数修改为目标检测的类别数+1,多出的一类为背景。输出层参数采用随机初始化，之前的参数不变。继续对网络进行训练。

（三）训练SVM

　　CNN最后的softmax层可以做分类，在论文中为什么要把softmax层换成SVM进行分类？

　　　　因为SVM和CNN分类时的正负样本定义不同，导致CNN+softmax输出比SVM精度要低。由于CNN容易过拟合，需要大量的训练样本，

　　　　所以CNN的样本标注比较宽松，IOU>0.5即标记为正样本。SVM适用于小样本训练，对样本的IOU要求较高，在训练时，IOU>0.7时标记为正样本。

　　由于SVM是二分类器，因此对每一个类别都需要训练一个SVM

（四）Bounding Box Regression--边框回归

　　详解

　　

　　任务描述：G为目标边框（人为标注），P为网络计算得到的边框。边框回归的任务是计算从P到G^的映射f，使P经过映射以后得到与真实窗口G

　　　　　　更接近的G^

　　思路：平移+尺度缩放

　　输入：（训练时）CNN提取到的该边框的特征+Ground Truth即G的坐标

　　　　　（预测时）CNN提取到的该边框的特征

　　输出：需要进行的平移量和尺度缩放量，即P到G^的映射，包括4个值：Δx，Δy，Sw，Sh

　　通过计算得到新的回归框