RCNN论文学习

标签：训练   性能   sem   精确   图片   类别   png   image   bottom   

【Rich feature hierarchies for accurate object detection and semantic segmentation】

Abstract    

论文的方法结合了两个关键的观察：1.可以通过hight-capacity CNN来进行bottom-up 区域提名以定位和划分对象；2.如果训练集不足，那监督预训练是个有用的方法，再经过fine-tuning，可以有很好的性能提升。R-CNN: Regions with CNN features。 

整体结构：1. 输入一张图； 2.提取出2000左右的区域； 3.用一个CNN对每个区域进行特征提取； 4. 通过SVM来对每个区域分类

建立图像分类和识别的桥梁：用一个深网络来记性图像定位，只用少量的检测数据来训练high-capacity模型

检测任务的方法：把定位看成回归问题；建立滑动窗口检测器(一些特定的类别，如人脸、行人，形状是比较固定的)。

本文采用的方法：recognition using regions

检测的第二个问题：数据不足。解决方法：在一个大型的数据集ILSVRC上进行监督的预训练，然后在小数据集上进行domain-specific fine-tuing

R-CNN的三个模块

1. 生成category-independent的区域提名，按类别来做区域提名selective search

2. 大型的CNN网络，用来从每个区域提取出固定长度的特征向量

AlexNet，网络要求输入为227x227，所以对数据进行处理：把图片压缩到227x227的大小

3. 一系列的class-specific 线性SVM

训练过程

• 在大数据集上进行预训练：在ILSVRC2012 classification上做预训练，只使用image-level标签，没有bounding box
• Domain-specific fine-tuning：用提名的区域对模型进行fine-tuning。用warped region proposals来继续SGD训练。除了把分类层换成(N+1)，就是类别数+1(背景)，其他没有变。从lr=0.001(预训练的1/10)。每次SGD迭代使用生成32个正窗口(和ground truth IoU大等于0.5)以及96个bacground 窗口，构成128个
  • fine-tune时最后用的还是softmax层
  • fine-tune后就可以得到一个分类的网络，可以把conv层的部分固定，用于后续操作的特征提取
• 用svm训练分类：为每个分类设计一个SVM分类器
• bounding box回归：只对IoU大于阈值的框做为输入进行训练

测试    

SVM分类概率最大的为分类结果，SVM分类后执行非极大抑制保留概率极大的框，把这些做为输入进行bounding box调整，结果就是目标的位置

其它注意点    

1. 为什么SVM和fine-tune的参数不同（对positive example的定义） fine-tune：IOU>=0.5，SVM：只有ground-truth为真，IOU<0.3为假，其它 的忽略

原来的时候，是在预训练的feature map上做SVM，使用的参数和现在fine-tune是一样的。后来引入fine-tune后，两者使用相同参数，但是结果并不好 猜测是由于fine-tuning数据的限制导致，因为其中引入了很多overlap在0.5-1（但不是gr）的数据，这些数据是有必要的，可以防止过拟合。但是，他们会 导致结果变差，因为他们没有对精确的位置进行fine-tune 2. 为什么要SVM 如果只是使用fine-tune的softmax结果，mAP会下降

主要因素是因为在fine-tuning时没有强调精确的位置，而且negtive example是随机的，而不是har negtives

3. bounding box回归

正则化很重要

4. bounding box回归训练时对候选框P的选择(P,G)

如果P和G太远的话，那这个计算就没什么意义了。把一个P分配给某个G，如果P和G的IoU最大，且大于一个阈值，其它没有分配的就忽略。

RCNN论文学习

标签：训练   性能   sem   精确   图片   类别   png   image   bottom   

原文地址：https://www.cnblogs.com/coolqiyu/p/9420736.html