Bounding Box是怎么得到的-RCNN目标检测初探
近期在学习目标检测，此前对于Bounding Box一直心存疑惑：
a.Bounding Box是怎么被神经网络预测出来的？
b.卷积神经网络除了能够对图像分类，还可以预测出图像中物体的边界吗？
c.如果可以预测边界，为什么这个边界不是物体的轮廓，而是一个矩形呢？
带着这些问题，阅读了R-CNN[1]，R-CNN的步骤如下：
1.训练阶段：
1.1 预训练AlexNet
使用ILSVRC-2012预训练AlexNet，将1000路分类层改为21路分类层，再用PASCAL-VOC2007(算上背景是21类)进行SGD微调训练，得到微调后的网络模型，记为XNet(XNet是为了便于大家理解上下文才这么写的，原文中没有这个名词)；
1.2 微调
训练集中的每张图片已经含有人工标记的ground-truth(GD)，对每张图片，使用Selective search(SS)[2]方法提取出2000个region proposal(RP)，将每个RP的边框向四周扩张16个像素后，resize为227*227，得到新RP，将含有待分类物体且与GD之间的IOU大于0.5的新RP作为可分类数据、IOU小于0.5的作为第21类即背景数据，使用SGD方法，继续训练XNet神经网络；
1.3 针对每类物体训练一个SVM：
将每类图片的GD作为正样本，该图片所有与GD之间的IOU小于0.3的RP以及与该图片不同类别的所有其他图片的GD作为负样本，训练该类别的SVM；
SVM训练方法：将GD直接送入XNet，RP先resize再送入XNet，计算fc7的结果(尺度为4096*1的向量)，作为送入SVM的特征向量。
1.4 针对每类物体训练一个bounding-box regressor(BBR)：
将训练集中的每张图片的所有RP的fc7使用SVM进行分类，采用非极大值抑制(NMS)方法获取无冗余的RP，(如果RP与GD的IOU大于0.6，则记录RP的四个参数以及与之对应的GD的四个参数，否则放弃该组数据）将GD和RP按照前文的方式resize之后送入XNet，计算pool5作为特征向量(尺度为6*6*256=9216的向量),使用岭回归的方法训练出BBR。
BBR这部分建议阅读两篇博客：
http://caffecn.cn/?/question/160
https://blog.csdn.net/zijin0802034/article/details/77685438
2.测试阶段：
给定一个图片，使用SS方法提取2000个RP，按照前文的方式resize后，送入XNet，获取fc7和pool5；
将fc7送入SVM得到RP的分类标签，如果得到的分类结果是背景，则直接输出结论；否则，对同一张图片的RP采用NMS方法获取无冗余的区域；
将上述NMS之后的RP的四个参数及其对应的pool5送入指定类别的BBR，得到更接近于实际GD的边框参数。
说明：
Selective search使用了文献[3]中的方法用于初始化候选区域集合，然后每次合并两个相似度最大的相邻区域（文献[3]中详细说明了相似度的定义和计算方法），合并过程中将所有候选区域及合并后的区域加入区域集合中，直到图片中仅剩一个区域时合并结束(在这个阶段，这些候选区域是不规则的形状，类似于PhotoShop的抠图）。然后对候选区域集合中的每个区域执行这样的操作：获取区域中x坐标的最小值、最大值，y坐标的最小值、最大值，以此作为矩形框四条边的信息，将候选区域转换为规则的矩形。需要注意的是，以这个矩形为边界的小图片除了之前提取出的候选区域，还包含了大图中除了小区域以外的少量信息。所以，在RP生成的时候就已经是矩形了。
回过头看看之前的疑问：
a.Bounding Box是怎么被神经网络预测出来的？
答：在RCNN中，Bounding Box不是单纯的通过神经网络预测出来的，而是在已知一个方框中含有指定类别的物体后，通过神经网络计算其特征向量，结合回归的方法，将该方框进行修正后得到的。
b.卷积神经网络除了能够对图像分类，还可以预测出图像中物体的边界吗？
答：传统的目标检测方法是在原始图像中遍历固定大小的方框，送入CNN进行检测。通过RCNN可以看出，该方法是先已知某个边框中存在某类物体后，再使用回归的方法将方框进行修正。所以无论传统方法还是RCNN，物体的边界都不是直接使用卷积神经网络就能预测出来的。
c.如果可以预测边界，为什么这个边界不是物体的轮廓，而是一个矩形呢？
答：传统目标检测中，送入神经网络的图像是在原图中截取的一个方框，所以最后的结果也必然是一个方框；在RCNN中，同样如此，所以结果只能是一个矩形。在RCNN中，RP通过文献[3]中的方法获取之后就被绘制成了方框，然后再resize送入CNN，如果将RP被绘制成方框之前的边界信息保存下来并与resize之后进行对应，则完全可以在最终显示出使用文献[3]中的方法获取的最初轮廓。
参考文献：
[1] Ross Girshick, Jeff Donahue, Trevor Darrell, Jitendra Malik, Rich feature hierarchies for accurate object detection and semantic segmentation, https://arxiv.org/abs/1311.2524v3
[2] Uijlings, Jasper RR, et al. Selective search for object recognition, International journal of computer vision, 104(2) (2013): 154-171.
[3] Felzenszwalb, P. F., & Huttenlocher, D. P. (2004). Efficient graph-based image segmentation. International Journal of Computer Vision, 59, 167–181.
