R-CNN网络结构讲解

• 结构

  

第一步 ： 生成候选区域 -- Selective Search

(不理解可以看这里Selective Search)

• 输入500x500的图片
• 数量：2000

第二步：CNN提取区域特征

• 图像处理
  • 将候选框scale到227x227的大小
  • 对区域进行些许扩大以包含少量上下文信息（将获得区域框向四周扩大一些）
• 训练：
  • 有监督预训练：训练网络参数
    • 样本：ImageNet
    • 这里只训练和分类有关的参数，因为ImageNet数据只有分类，没有位置标注
    • 图片尺寸调整为227x227
    • 最后一层：4097-> 1000的映射。
  • 特定样本下的微调 ：训练网络参数
    • 样本

      

    • 采用训练好的AlexNet CNN网络进行PASCAL VOC 2007样本集下的微调，学习率=0.001
      PASCAL VOC 2007样本集上既有图像中物体类别标签，也有图像中物体位置标签；
      • mini-batch为32个正样本和96个负样本【由于正样本太少】
      • 修改了原来的1000为类别输出，改为21维【20类+背景】输出。
  •  如果不针对特定样本的训练会怎么样？

不针对特定任务进行微调，而将CNN当成特征提取器，pool5层得到的特征是基础特征，类似于HOG、SIFT，类似于只学习到了人脸共性特征；从fc6和fc7等全连接层中所学习到的特征是针对特征任务特定样本的特征，类似于学习到了分类性别分类年龄的个性特征

• SVM训练
  • 样本

    

  • 由于SVM是二分类器，需要为每个类别训练单独的SVM；
  • SVM训练时输入正负样本在AlexNet CNN网络计算下的4096维特征，输出为该类的得分，训练的是SVM权重向量；
  • 由于负样本太多，采用hard negative mining的方法在负样本中选取有代表性的负样本，该方法具体见。
• Bounding_box_regression训练
  • 样本

    

    

    
    输入数据为某类型样本对N个：AlexNet CNN网络Pool5层特征ϕ5(Pi)i，输出回归后的建议框Bounding-box，训练的是dx(P)，dy(P)，dw(P)，dh(P)四种变换操作的权重向量。

第三步：SVM分类

• 用于训练多个SVM的数据集是用pretrain的ImageNet数据
• 将2000×4096维特征与20个SVM组成的权值矩阵4096×20相乘【20种分类，SVM是二分类器，则有20个SVM】，获得2000×20维矩阵表示每个建议框是某个物体类别的得分；
• 分别对上述2000×20维矩阵中每一列即每一类进行非极大值抑制剔除重叠建议框，得到该列即该类中得分最高的一些建议框；

  

第四步：边框回归

• 每次分类完之后，都要对边界框的进行调整，利用一个ringe regression实现
• 回归器的设计

  

  

  

  

  
  d*(P)是关于pool5的一个线性函数，所以可以通过pool5的数据训练d(P)的模型。
  G:ground truth
  P: 输入模型的边界框，也就是选择性搜索的结果
  G^:调整之后的结果​​​

思考

• 为什么微调时和训练SVM时所采用的正负样本阈值【0.5和0.3】不一致？
  • 微调阶段是由于CNN对小样本容易过拟合，需要大量训练数据，故对IoU限制宽松：Ground Truth+与Ground Truth相交IoU>0.5的建议框为正样本，否则为负样本；
  • SVM这种机制是由于其适用于小样本训练，故对样本IoU限制严格：Ground Truth为正样本，与Ground Truth相交IoU＜0.3的建议框为负样本
• 为什么不直接采用微调后的AlexNet CNN网络最后一层SoftMax进行21分类而是用了SVM？
  • 发现有时候，SVM分类的精度确实比softmax高，但是加入了SVM就导致了失去了端到端的训练，得不偿失
• RCNN作为使用卷积神经网络应用于目标检测的开山之作，创新点很多，后面的很多目标检测算法都是通过一点点改进RCNN的模型来实现的。