《Rich feature hierarchies for accurate object detection and semantic segmentation》翻译

$$Rich{}_{}feature{}_{}hierarchies{}_{}for{}_{}accurate{}_{}object{}_{}detection{}_{}and{}_{}semantic{}_{}segmentation$$

$$Ross{}_{}Girshick，Jeff{}_{}Donahue，Trevor{}_{}Darrell，Jitendra{}_{}Malik$$

$$用于精确目标检测和语义分割的丰富特征层次$$

  摘要：在规范的PASCAL VOC数据集上测量的目标检测性能在过去几年中一直处于稳定状态。性能最好的方法是复杂的集成系统，通常将多个低级图像特征与高级上下文结合在一起。在本文中，我们提出了一种简单的且可扩展的检测算法，相对于之前VOC 2012上的最佳结果，该算法将平均精度均值（mAP）提高了30％以上，是mAP达到53.3％。我们的方法结合了两个关键的见解：（1）一个可以将高容量卷积神经网络（CNN）应用于自下而上的候选区域，以便对目标进行定位和分割；（2）当标记的训练数据不足时，对辅助任务进行有监督的预训练，然后进行特定领域的微调，可以显著提高性能。由于我们将候选区域与CNN结合在一起，因此我们将我们的方法称为R-CNN：具有CNN特征的区域。我们还将R-CNN与OverFeat（一种最近提出的基于相似CNN架构的滑动窗口检测器）进行了比较。我们发现，在200类ILSVRC2013检测数据集上，R-CNN优于OverFeat。

图1 目标检测系统概述。我们的系统(1)拍摄输入图像，(2)提取大约2000个自下而上的候选区域，(3)使用大型卷积神经网络（CNN）计算每个候选的特征，然后(4)使用类别的线性分类器SVM对每个区域进行分类。 R-CNN在PASCAL VOC 2010上实现了53.7％的平均精度均值（mAP）。为进行比较，[39]报告35.1％mAP在使用相同的候选区域，但采用空间金字塔和视觉效果的方法的情况下。流行的可变形的组件模型(deformable part models )的性能为33.4％。在200类的ILSVRC2013检测数据集中，R-CNN的mAP为31.4％，相比之前获得最好结果24.3％的OverFeat [34]有了很大的提高。