[置顶] 论文笔记 《Rich feature hierarchies for accurate object detection and semantic segmentation》

转自：http://zhangliliang.com/2014/07/23/paper-note-rcnn/

论文笔记 《Rich feature hierarchies for accurate object detection and semantic segmentation》

项目地址：https://github.com/rbgirshick/rcnn
论文地址：http://www.cs.berkeley.edu/~rbg/#girshick2014rcnn
附上笔者seminar时候做的ppt

注：小标题中如果有序号，则对应原论文结构中的序号

系统简述

R-CNN概括起来就是selective search+CNN+L-SVM的检测器

很简(cu)单(bao)的框架:

• 用selective search代替传统的滑动窗口，提取出2k个候选region proposal
• 对于每个region，用摘掉了最后一层softmax层的AlexNet来提取特征
• 训练出来K个L-SVM作为分类器(每个目标类一个SVM分类器，K目标类个数)，使用AlexNet提取出来的特征作为输出，得到每个region属于某一类的得分
• 最后对每个类别用NMS(non-maximum-suppression)来舍弃掉一部分region，得到detection的结果(对得到的结果做针对boundingbox回归，用来修正预测的boundingbox的位置)

2 Object detection with R-CNN

这部分对上面3个部分进行了更详细的介绍

2.1 Model design

• Region proposals:这部分是用来替代传统的sliding windows的，文中提到的方法有objectness，selective search，CPMC等。作者说他最后选择了selective search是为了后面方便做对比试验。
• Feature extraction：也就是使用CNN，具体来说是AlexNet来提取特征，摘掉了最后一层softmax，利用前面5个卷积层和2个全连接层来提取特征，得到一个4096维的特征。一个值得注意的细节是如何将region缩放到CNN需要的227*227,作者是直接忽略aspect ratio之间缩放到227*227（含一个16宽度的边框,原region向周围扩大16个像素，包含一些背景信息,超过的补色，然后再wrap到227*227, 见附录A），这样的好处是稍微扩大region，将背景也包括进来来提供先验信息。

2.2 Test-time detection

略

2.3 Training

• Supervised pre-training：先用imagenet120w的cls数据训练一个模型（出来的效果比alex差2%）
• Domain-specific fine-tuning:将上面训练出来的模型用到new task(dection)和new domain(warped region proposals)上，作者将最后一个softmax从1000路输出替换成了N+1路输出（N个类别+1背景）。然后将IoU(intersection-over-union-score)大于50%的region当成正样本，否则是负样本。将fine-tuning学习率设置成pre-train模型中的1/10（目的是为了既能学到新东西但是不会完全否定旧的东西）。batch为128，其中正负样本比例是1:3。
• Object category classifiters:选择SVM对每一类都做一个二分类，在选择样本的时候，区分正负样本的IoU(intersection-over-union-score)取多少很重要，取IoU=0.5时候，mAP下降5%，取IoU=0，mAP下降4%，作者最后取了0.3，用的是grid search（应该算是穷举逼近的一种）。

3.Visualzation, ablation, and modes of error

3.1 Visualzing learned feature

核心思想是在pool5中一个神经元对应回去原图的227*227中的195*195个像素(术语是pool5神经元的感受野是195*195)。
可视化的方法是将10M的region在训练好的网络中FP，然后看某个pool5中特定的神经元的激活程度并且给一个rank。出来的高分的图片如下图：

3.2 Ablation Studies

• Performance layer-by-layer, without fine tuning，这里想说明的是，用pool5，fc6，fc7的特征做SVM分类，出来的效果都差不多。作者得到的结论是：CNN的特征表达能力大部分是在卷积层。
• Performance lyaer-by-layer, with fine tuning，这里想说明的是，pool5经过finetuning之后，mAP的提高不明显，所以卷积层提取出来的特征是具有普遍性的，而fc7经过finetuning后得到很大的提升，说明finetuning的效果主要是在全连接层上。
• Comparision to recent feature learning methods,这里主要说明CNN的特征学习能力比其他方法要好。

3.3 Detection error analysis

用了一个工具来分析错误

3.4 Boundary-box regression

作者最后还是用了regression的方法来进一步定位物体的，这样子使得mAP提高了4个点。

Appendix

A. Object proposal transformations

用了不同的缩放方法，最后作者用的是（d）的第二列的方法，准确率的差别大概是3-5个mAP

B. Positive vs. Negative examples and softmax

这里作者想讨论的是，为什么训练CNN时候和训练SVM时候，使用了不同的标准来定义正负样本。感觉还是调参调出来的。
另外作者讨论了为什么最后用SVM替代softmax，因为效果会提升4个点，作者认为原因在于softmax中的背景样本是共享的，而SVM的背景样本是独立的，更加hard，所以能够带来更好的分类效果。

C. Bounding-box regression

最后作者在region proposal中再次做了一个regression。（这是有道理的，因为当时生成样本时候加了一个16像素宽的padding，所以出来的detection bbox是偏大的，做regression刚好可以应付这个情况）

F. Analysis of cross-dataset redundancy

这里说明了VOC和imagenet数据的重叠是很小的，1%以下。