R-CNN:基於候選區域的目標檢測

Region proposals

基本概念(看論文前需要掌握的)：

1.cnn(卷積神經網路):CNN從入門到精通（初學者）

2.Selective search:選擇性搜素

3.warp:圖形region變換

4.Supervised pre-trainning:有監督預訓練-遷移學習

5.IOU:交併比IOU=(A∩B)/(A∪B)

6.NMS:非極大值抑制

7.DPM：採用判別訓練的部件模型進行目標檢測

基於候選區域的目標檢測原理圖

第一步：輸入影象，採用Selective Search 從原始圖片中提取2000個左右區域候選框

第二步：劃分區域提案，進行歸一化：將所有候選框變為固定大小的（227*227）區域

第三步：CNN網路提取特徵

第四步：SVM結合NMS(非極大值抑制)識別分類區域邊框，採用DPM精修邊框的位置

Selective research for object recognition(選擇性搜尋)

1.適應不同尺度：通過改變視窗的大小來適應物體的不同尺度，演算法採用影象分割（image segmentation）和層次演算法(Hierarchical Algorithm)

2.通過使用顏色、紋理、大小等多種分割策略對於分割好的區域進行合併

 Supervised pre-trainning(有監督訓練（遷移學習）)

物件分類：被標註的訓練資料很多

目標檢測：

遷移學習：採用Imagenet的資料集，進行預訓練，然後在PASCAL進行微調

CNN網路提取特徵

模型（Alexnet,VGG）

訓練SVM分類器

訓練特定類別的SVM分類器

訓練SVM的正負樣本：採用IOU閾值樣本，計算每一個region proposal與標準框的IOU,當大於閾值0.3時則為正樣本，小於閾值0.3時為負樣本。

輸入：CNN提取的區域特徵

輸出：每個候選區域特徵的概率輸出

獲取Bounding box

CNN生成每個region proposal 固定長度的特徵向量

svm計算 每個region特徵向量的score,並進行排序

NMS:選取概率最大的區域，計算與其他區域的IOU;當IOU大於給定閾值後丟棄該區域，同樣的過程依次遍歷所有region