目标检测经典论文精读-R-CNN

这篇具有很好参考价值的文章主要介绍了目标检测经典论文精读-R-CNN。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

论文链接： https://www.cv-foundation.org/openaccess/content_cvpr_2014/papers/Girshick_Rich_Feature_Hierarchies_2014_CVPR_paper.pdf
论文技术报告链接： https://arxiv.org/pdf/1311.2524.pdf
出处： CVPR 2014
参考视频： https://www.bilibili.com/video/BV1d64y1W74E/?spm_id_from=333.999.0.0&vd_source=e321967bf2cdc2338238788250d12de8

R-CNN基本原理

目标检测经典论文精读-R-CNN

总结起来就是：输入原图，然后用selective search算法生成2000个候选框，再将每个候选框缩放为 $227\times227$ 的固定大小，再逐一喂到同一个卷积神经网络提取4096维的特征，用该4096维的特征同时进行分类(线性SVM)和回归，最终得到目标检测结果。

可以看到R-CNN严重依赖上下游的多个步骤协作完成目标检测任务：①提取候选框；②缩放；③用CNN提取特征；④分类和回归。只要有一个步骤出现问题，整个检测系统就会出现问题。每个步骤都需要单独去优化，因此并不是一个端到端的系统。

目标检测经典论文精读-R-CNN
R-CNN是一个非常耗时、非常低效、非常臃肿、一点不端到端的算法：
因此，可以对R-CNN进行改进：

产生候选框-Selective Search

论文链接： https://www.koen.me/research/selectivesearch/

目标检测经典论文精读-R-CNN

将候选框缩放至 227 × 227 227\times227 227×227固定大小

目标检测经典论文精读-R-CNN
最终，作者采用连带邻近像素的非等比例缩放方法，连带像素 $p = 16$ 。
这种将像素向外扩一圈，并将扩展之后的结果作为候选框的方法叫做Dilate proposal。

可视化能够使得某个feature map的某个值最大化的原始候选框

目标检测经典论文精读-R-CNN
从AlexNet最后一个池化层得到的feature map的形状是 $6\times6\times256$ ，我们可视化其中的某一个channel的某一个值，找到使得这个值最大化的原始的候选框。
作者从 $6\times6\times256$ 的feature map中选了60多个channel来可视化能够使得某个channel的某个值最大化的24个原始候选框：
目标检测经典论文精读-R-CNN

对比实验

目标检测经典论文精读-R-CNN
说明了fine-tuning的重要性。

R-CNN用于语义分割：

为什么不直接用softmax分类而要用线性SVM分类？

原因①：
fine-tuning时与训练各类别SVM时的正负样本选择策略是不一样的，所以，如果直接用softmax的话，就必须都按照fine-tuning的正负样本的选择策略来，但是如果用SVM来分类的话，会更好，因为训练SVM时加入了hard negtive mining，而且选择正负样本时也和fine-tuning时不一样。因此，不能直接用softmax而是要用SVM的。
目标检测经典论文精读-R-CNN 原因②：
为什么不使用SVM的正负样本选择策略去训练softmax?作者是使用Matlab实现的，Matlab是一个封装的很死的一个库，不允许有太多的自由的修改，不像python一样可以自由的修改底层代码。RBG大神当时写R-CNN时用的是Matlab，可能matlab只有SVM可以进行hard negtive mining。所以没有直接用softmax而是用的SVM。

Bounding Box Regression

所谓回归就是对候选框进行精调，使回归模型输出一系列偏移量，再对候选框施加偏移量从而得到最终的预测框。

目标检测经典论文精读-R-CNN 具体来讲：

让黄色去拟合蓝色，即找一套线性权重，使得损失函数最小。

R-CNN的Slides讲解

目标检测经典论文精读-R-CNN

目标检测经典论文精读-R-CNN 没有什么实质性的进展。
R-CNN取得了实质性的突破。

R-CNN论文精度

目标检测经典论文精读-R-CNN

Selective Search产生Region proposals

目标检测经典论文精读-R-CNN 强行缩放：

候选框特征提取

目标检测经典论文精读-R-CNN 使用Caffe实现的AlexNet作为特征提取的骨干网络，包括5个卷积层和2个全连接层。
把所有一千万个候选框输入，找到能使某个feature map中的某个值产生最大激活的候选框，也就是使某单次卷积、单个神经元产生最大激活。
不对这个feature map求平均，只关注某个feature map中的某个值。
目标检测经典论文精读-R-CNN 使6个通道中的某6个神经元产生最大激活的top regions。
没有fine turning时，预训练模型中CNN的特征表示性能大部分来自卷积层而非全连接层，去掉全连接层影响不大。进行fine turning时，CNN提取通用特征，FC完成特定领域任务。
目标检测经典论文精读-R-CNN 加了边界框回归能有效降低定位误差。
输入CNN之前，强行将候选框缩放至统一尺寸、统一长宽比，所以在不同尺寸和长宽比上FT性能提升意味着全连接层学习到更有用的特征。

正负样本的问题：为什么在fine turning训练卷积神经网络和在训练各类别的线性SVM时的正负样本的选取不一样？
目标检测经典论文精读-R-CNN
fine turning时，正样本与GT有偏离，精准定位性能差；
用softmax并不能解决这一问题（掉点）；
用SVM时，GT框为该类正样本，精准定位性能好，且加入了难例挖掘，能够较好的解决问题。文章来源地址https://www.toymoban.com/news/detail-445289.html