目標檢測筆記(1)——R-CNN

論文：Rich feature hierarchies for accurate object detection and semantic segmentation

             （https://arxiv.org/abs/1311.2524v3）

    算法結構:

   

    R-CNN由三部分組成：產生region proposals，CNN提取region proposals的特徵向量，SVM分類和bounding box迴歸

        1）region proposals

              在selective search前將每個圖像resize成固定尺寸（寬500像素）

        2)  CNN特徵提取模型訓練：

              模型：AlexNet，結構不變，輸出4096維特徵

                               

            初始參數：ILSVRC2012 預訓練參數‘

            fine-tuning數據集：selective search在目標檢測數據PASCAL上產生的候選框與ground-truth的 IoU大於等於0.5爲正樣本，與ground-truth的IoU小於0.5或者背景爲負樣本，模型輸入候選框resize成227x227圖像

            訓練策略：使用SGD優化，學習率0.001（是預訓練學習率的1/10），每個mini-batch的大小是128，由32個正樣本和96個負樣本組成（正負樣本偏差是由於正負樣本數量不平衡）

  3)   目標分類SVM訓練

             爲每個類別訓練1個線性svm二分類器。 

             數據：與ground-truth的IoU大於0.3爲正，小於0.3爲負 ，選擇{0，0.1，0.2，0.3，0.4，0.5}集合中的其他值作爲閾值時mAP會下降 

             訓練輸入：判爲正樣本的候選區提取的4096維特徵    

 4） bounding-box迴歸       

             訓練線性模型用於預測框，對每個search proposal使用特定類別svm打分後， 使用特定類別bounding-box迴歸進行bounding-box預測。

             輸入：N個訓練對序列，，P是proposal框的中心座標和寬、高，4個值，G是ground-truth對應的值。