论文笔记《Rich Feature Hierarchies for accurate object detection and semantic segmentation》

RCNN是CNN应用在object detection的开山之作，加上后续的Fast-RCNN，Faster-RCNN都是非常经典的工作，这三篇文章一环套一环的改进思路简直是快准狠（跪拜rbg大牛><）。笔者不是做检测的（所以没有折腾过代码不清楚实验细节），在paper reading听了别人报告之后很喜欢RCNN系列文章，就记录下对原理的理解和感悟吧。

1 论文信息

发表会议：CVPR2014
代码

2 Motivation

就像论文开头所说，“Features matter”，描述力强的特征对目标检测任务来说十分有必要，考虑将CNN强大的表示能力用于目标检测中，就是考虑“fill the gap between image classification and object detection”，而对于一个目标来说，要判断它是哪个目标，实质上是一个分类问题。

3 Method

3.1 简介

RCNN是pipeline approach，主要流程是，获取proposal（selective search）–> 提特征（CNN）–> 得到每个proposal的得分（SVM）–> 目标定位（bounding box regression），如下图：

3.2 细节记录

3.2.1 selective search

这一步得到2k左右个proposal。

3.2.2 Extract CNN features

1. 上一步的proposal直接忽视长宽比，把warped region输入CNN网络
2. 这里finetune CNN时，用和groud truth的IoU overlap>0.5的proposal作为该类的正例样本，其余的都是反例样本，而因为正例太少，所以实验中固定正反例样本比例为1：3

3.2.3 Compute score

1. 为每个类训练SVM，这样每个框都会得到对应于每个类的score
2. 训练SVM时，用ground truth作为正例样本，和ground truth的IoU overlap<0.3的作为反例样本

3.2.4 bounding box regression

1. 取和ground truth的IoU overlap>0.6的proposal用于训练回归模型
2. 用proposal 的的pool5特征 Φ5(Pi) 学习一个 w∗=argminw∗∑Ni(ti∗−wT∗Φ5(Pi))2+λ||w∗||2 , 其中 P1 是4维向量，代表第i个proposal的左上角点坐标(x,y)和proposal的(width, height).
3. 根据w计算一个对于位置的变换 d∗(P)=wT∗Φ5(P) , 其中d就是代表proposal和对应的ground truth之间的变换。

4 Experiment

本文中实验占了较大篇幅，对于细节问题的探讨也很值得学习。

4.1 怎么warp

即如何把大小不一的region proposal统一到CNN要求的输入大小，作者尝试多种方案后决定直接忽略长宽比做resize。

4.2 正反例的定义

可以看到在finetune CNN时和训练SVM时，对于正反例的定义是不一样的，作者应该做了大量实验去找overlap的合适取值。相对而言对SVM的正反例定义要严格些，因为它得出的score要拿出来分类，而CNN只是提特征，且CNN训练需要较多的数据。

4.3 softmax还是SVM

CNN本身就是分类网络，其中softmax分类器的输出可以作为proposal的score，一方面是实验结果显示用SVM效果好，另一方面，由于finetune CNN用的正反例不是真实的正反例，只是一种近似。

4.4 CNN为什么rich

在论文的Fig6中，对比了CNN对于多种object特性（截断，视角，长宽比等）的敏感度（越不敏感说明泛化能力越好）。

5 Summary

CNN这种rich feature确实提升了目标检测的性能，当前RCNN的需要改进的地方有：

1. 较复杂的pipeline
2. 对一张图的proposal分别提取CNN，因为大量proposal互相重复导致对图片的区域进行多次计算。
3. warp使region失真

后续的Fast、Faster RCNN也都主要是根据以上几点改进模型。