轉載請表明：http://blog.csdn.net/ikerpeng/article/details/52453830

內容概要：

採用的是 兩步走的 Object detection的 深度學習框架，首先通過框架的第一部分的分支給出 目標 proposal； 然後 在proposal當中進行檢測。 文章的的優點在於： proposal和 detection兩部分共享大部分網路，網路精簡 且效率高； 得到的proposal 數目更少，但是recall卻非常的高；文章的準確度大幅度的提高；目前剛剛開源。

演算法思路：

演算法中對於輸入的一張圖片，目標是要得到當中可能存在的目標proposals，以及各個proposal的得分值。為了達到這個目的演算法，將網路分為兩個分支，第一個部分輸出圖片patch塊的Mask，第二個分支得到它的得分值。兩個分支的前部分共享很大一部分的網路來得到底層的特徵。相比於其他的資料，資料的出入部分包括了畫素級別的掩碼標記。

資料部分：

每一個訓練樣本k都包括以下的三部分： 1.RGB三通道的樣本patch塊； 2. patch塊當中每一個畫素的 二值掩碼; 3. 樣本塊的標籤。 其中，如果在這個patch塊中心或附近存在一個object並且這個object在一定尺度的容忍範圍內 佔滿這個patch塊，那麼patch塊的標籤為1，否則為－1.再來看一下掩碼如何賦值： 當標籤為1的時候，如果某畫素點是中心點這個object（因為它有可能是別的object目標的一部分）的一部分的話，那在mask當中，這個畫素點的值為1，否則為－1；而當標籤為－1的時候，掩碼mask也就不用了（全部為0就好了）。

網路部分：

是在VGG-A網路進行的 fine-tuning（備註： 網路中包括8層的卷積網路（最後的卷積層輸出為 512張 feature maps），5層的maxpooling，以及三層的 fully connected），在構建本文的網路的時候，作者首先去掉VGG當中的全部的全連線層，以及最後的maxpooling層（因為，需要用到前面學到的特徵），因此網路當中海保留了4個 22的maxpooling層，因此相當於對於輸入的樣本進行了1/16的降取樣（這裡是有卷積後 尺度不變的假設的），然後構建出網路的兩個分支： Mask分支，接一個1

公式的前一部分是對mask部分的處理，其中前面的乘數部分表示說：對於不存在目標部分的掩碼，就不要在進行訓練了，也就是標籤為－1的時候帶入到損失函式中的時候，其實第一部分是為0的，而當對該畫素預測的掩碼的值和實際的值相接近的時候產生的損失就很小；第二部分是對patch塊的預測，看其中是否包含object。

應用細節：

經過變換後的樣本，在距離原來的樣本中心點 ±16個畫素點，尺度變換為0.8～1.2 都被視為是 和原來樣本一樣的，且也會被給予1的標籤；而如果是距離任何的樣本中心點 ±32個畫素點以上，尺度變換為0.5或者是2倍的範圍外都被視為是和原來樣本不一樣的，且也會被給予－1的標籤。

在 測試階段，對於輸入的一張圖片，以16pixels的步長變換location，以1/4到2倍的尺度（進行變換。這樣來保證至少有一個patch能夠包括其中所有的object。

效果示例：

作者： iker peng

時間：2016.9.6