Girshick, Ross, et al. “Rich feature hierarchies for accurate object detection and semantic segmentation.”
Proceedings of the IEEE conference on computer vision and pattern recognition. 2014.
Region CNN(RCNN)可以說是利用深度學習進行目標檢測的開山之作。作者Ross Girshick多次在PASCAL VOC的目標檢測競賽中折桂，2010年更帶領團隊獲得終身成就獎，如今供職於Facebook旗下的FAIR。
這篇文章思路簡潔，在DPM方法多年平臺期後，效果提高顯著。包括本文在內的一系列目標檢測算法：RCNN, Fast RCNN, Faster RCNN代表當下目標檢測的前沿水平，在github都給出了基於Caffe的源碼。
思想
本文解決了目標檢測中的兩個關鍵問題。
問題一：速度
經典的目標檢測算法使用滑動窗法依次判斷所有可能的區域。本文則預先提取一系列較可能是物體的候選區域，之後僅在這些候選區域上提取特徵，進行判斷。
問題二：訓練集
經典的目標檢測算法在區域中提取人工設定的特徵（Haar，HOG）。本文則需要訓練深度網絡進行特徵提取。可供使用的有兩個數據庫：
一個較大的識別庫（ImageNet ILSVC 2012）：標定每張圖片中物體的類別。一千萬圖像，1000類。
一個較小的檢測庫（PASCAL VOC 2007）：標定每張圖片中，物體的類別和位置。一萬圖像，20類。
本文使用識別庫進行預訓練，而後用檢測庫調優參數。最後在檢測庫上評測。
流程
RCNN算法分爲4個步驟
- 一張圖像生成1K~2K個候選區域
- 對每個候選區域，使用深度網絡提取特徵
- 特徵送入每一類的SVM 分類器，判別是否屬於該類
- 使用迴歸器精細修正候選框位置
候選區域生成
使用了Selective Search方法從一張圖像生成約2000-3000個候選區域。基本思路如下：
- 使用一種過分割手段，將圖像分割成小區域
- 查看現有小區域，合併可能性最高的兩個區域。重複直到整張圖像合併成一個區域位置
- 輸出所有曾經存在過的區域，所謂候選區域
候選區域生成和後續步驟相對獨立，實際可以使用任意算法進行。
合併規則
優先合併以下四種區域：
- 顏色（顏色直方圖）相近的
- 紋理（梯度直方圖）相近的
- 合併後總面積小的
- 合併後，總面積在其BBOX中所佔比例大的
第三條，保證合併操作的尺度較爲均勻，避免一個大區域陸續“吃掉”其他小區域。
例：設有區域a-b-c-d-e-f-g-h。較好的合併方式是：ab-cd-ef-gh -> abcd-efgh -> abcdefgh。
不好的合併方法是：ab-c-d-e-f-g-h ->abcd-e-f-g-h ->abcdef-gh -> abcdefgh。
第四條，保證合併後形狀規則。
例：左圖適於合併，右圖不適於合併。
上述四條規則只涉及區域的顏色直方圖、紋理直方圖、面積和位置。合併後的區域特徵可以直接由子區域特徵計算而來，速度較快。
多樣化與後處理
爲儘可能不遺漏候選區域，上述操作在多個顏色空間中同時進行（RGB,HSV,Lab等）。在一個顏色空間中，使用上述四條規則的不同組合進行合併。所有顏色空間與所有規則的全部結果，在去除重複後，都作爲候選區域輸出。
作者提供了Selective Search的源碼，內含較多.p文件和.mex文件，難以細查具體實現。
特徵提取
預處理
使用深度網絡提取特徵之前，首先把候選區域歸一化成同一尺寸227×227。
此處有一些細節可做變化：外擴的尺寸大小，形變時是否保持原比例，對框外區域直接截取還是補灰。會輕微影響性能。
預訓練
網絡結構
基本借鑑Hinton 2012年在Image Net上的分類網絡2，略作簡化3。
此網絡提取的特徵爲4096維，之後送入一個4096->1000的全連接(fc)層進行分類。
學習率0.01。
訓練數據
使用ILVCR 2012的全部數據進行訓練，輸入一張圖片，輸出1000維的類別標號。
調優訓練
網絡結構
同樣使用上述網絡，最後一層換成4096->21的全連接網絡。
學習率0.001，每一個batch包含32個正樣本（屬於20類）和96個背景。
訓練數據
使用PASCAL VOC 2007的訓練集，輸入一張圖片，輸出21維的類別標號，表示20類+背景。
考察一個候選框和當前圖像上所有標定框重疊面積最大的一個。如果重疊比例大於0.5，則認爲此候選框爲此標定的類別；否則認爲此候選框爲背景。
類別判斷
分類器
對每一類目標，使用一個線性SVM二類分類器進行判別。輸入爲深度網絡輸出的4096維特徵，輸出是否屬於此類。
由於負樣本很多，使用hard negative mining方法。
正樣本
本類的真值標定框。
負樣本
考察每一個候選框，如果和本類所有標定框的重疊都小於0.3，認定其爲負樣本
位置精修
目標檢測問題的衡量標準是重疊面積：許多看似準確的檢測結果，往往因爲候選框不夠準確，重疊面積很小。故需要一個位置精修步驟。
迴歸器
對每一類目標，使用一個線性脊迴歸器進行精修。正則項λ=10000λ=10000。
輸入爲深度網絡pool5層的4096維特徵，輸出爲xy方向的縮放和平移。
訓練樣本
判定爲本類的候選框中，和真值重疊面積大於0.6的候選框。
結果
論文發表的2014年，DPM已經進入瓶頸期，即使使用複雜的特徵和結構得到的提升也十分有限。本文將深度學習引入檢測領域，一舉將PASCAL VOC上的檢測率從35.1%提升到53.7%。
本文的前兩個步驟（候選區域提取+特徵提取）與待檢測類別無關，可以在不同類之間共用。這兩步在GPU上約需13秒。
同時檢測多類時，需要倍增的只有後兩步驟（判別+精修），都是簡單的線性運算，速度很快。這兩步對於100K類別只需10秒。
