【论文笔记】R-CNN

论文简介

论文名字：Rich feature hierarchies for accurate object detection and semantic segmentation, CVPR 2014

论文作者：rbg

论文简述：

• 首次成功的将深度学习应用到目标检测领域，相比于传统的方法，在性能上得到的很大的提升（60%）。
• 首次引入区域推荐（Region Proposal），物体检测的框架，沿用至今。

不足之处在于：

• 检测速度太慢（~40s 一张图片）
• 训练的开销较大

论文思想

所谓的 目标检测（object detection），实质上包含了两层含义：

• 第一层含义是物体的定位（localization），即找出物体在图像中的哪一个位置
• 第二层含义是物体的识别（classification），即识别出这是一个什么物体

深度学习（deep learning）在物体的识别上取得了很大的进展（ImageNet classification with deep convolutional neural networks. In NIPS, 2012），但是在物体的定位上，得到的结果一直不是很好。C. Szegedy等人尝试用深度学习去直接回归出物体的位置（Deep neural networks for object detection. In NIPS, 2013），但是效果不是很好，和传统的算法相比（DPM等），并没有体现出improvement.

在这篇深度学习目标检测的开山之作中，作者所argue的一个点就是：既然深度神经网络在物体分类上能够得到很漂亮的结果，而在物体定位上不是很准， 那么为什么不把目标检测问题转化成一个物体分类问题呢？

有了这个想法，后面的操作其实是水到渠成的事情。具体的框架见下图：

• 首先，输入图像
• 用某些算法产生出可能存在物体的区域（region proposal），对于每张图大约会有2000个这样的区域
• 对于每个区域，crop出图像，缩放到一定的尺寸后（227x227），输入到神经网络中
• 得到特征后，用SVM做物体的分类

操作细节

如何产生Region Proposal

有许多现有的算法可以用来产生Region Proposal（可能存在物体的区域），例如EdgeBox, Selective Search等等，在本篇paper中，作者使用的是selective search，对于每张图片，保留下了2000个region

网络结构

paper中采用了AlexNet来产生一个4096维的特征（feature）

怎么训练

对于神经网络，采用SGD+ mini batch的方式去训练。网络用Image-net pre-trained的网络初始化之后，将最后的分类层重新设置成21分类（VOC有20个类，加上bg）去fine-tune。为了平衡negative和positive的数量，取mini batch的时候保持了它们在一定的比例下。（因为每张图positive的数量特别少）

等AlexNet训练好了之后，用其输出结果进一步训练SVM分类器。（为什么要用SVM而不用Softmax layer？这里似乎没有明说）

选取哪一层做feature

作者对比了不同层的实验，最后得到的结果如下表：

FT表示fine-tune的意思，从结果中可以看出来，选择fc7层得到的效果是最佳的

更进一步：box regression

作者分析了在检测中出错的原因，发现很大程度上是因为region proposal框得不够准。

于是作者提出了一个方法，就是在原有框的基础上，增加了box regression的步骤，用于微调框的位置，使得框更加准。上图中的结果也反应了，加入了回归项之后（有BB标记的图），location的精度提高了很多。总体的mAP也上升了4个点。

论文结果

一图胜前言。在VOC2007的数据集上比传统的DPM方法的结果整整高了24个点！

这也开启了后续一大堆深度学习在目标检测上的应用。