@Author：Runsen

最早期的目標(biāo)檢測(cè)基于RCNN的算法，下面介紹RCNN的架構(gòu)

RCNN架構(gòu)

R-CNN 的目標(biāo)是獲取圖像，并正確識(shí)別圖片中的主要對(duì)象（通過邊界框）的位置。

• 輸入：圖像；
• 輸出：圖像中每個(gè)對(duì)象的邊界框和標(biāo)簽。

R-CNN檢測(cè)系統(tǒng)由三個(gè)模塊組成。

• 第一個(gè)生成與類別無關(guān)的區(qū)域候選框。這些候選框識(shí)別圖像中存在的候選檢測(cè)集。
• 第二個(gè)模塊是一個(gè)深度卷積神經(jīng)網(wǎng)絡(luò)，從每個(gè)區(qū)域提取一個(gè)特征向量。
• 第三個(gè)模塊是一組特定于類的分類器，即線性 SVM。

R-CNN 也做了我們可能直覺上做的事情——在圖像中提出一堆框，看看它們中是否有任何一個(gè)對(duì)應(yīng)于一個(gè)對(duì)象。R-CNN 使用稱為Selective Search的過程創(chuàng)建這些邊界框或區(qū)域提議 。

在高層次上，選擇性搜索（如下圖 所示）通過不同大小的窗口查看圖像，并針對(duì)每種大小嘗試按紋理、顏色或強(qiáng)度對(duì)相鄰像素進(jìn)行分組以識(shí)別對(duì)象。

候選框一經(jīng)創(chuàng)建，R-CNN 就將該區(qū)域封閉為標(biāo)準(zhǔn)正方形大小，并將其傳遞給 AlexNet 的修改版本。在 CNN 的最后一層，R-CNN 添加了一個(gè)支持向量機(jī) (SVM)，可以對(duì)這是否是一個(gè)對(duì)象以及如果是什么對(duì)象進(jìn)行分類。這是上圖中的第 4 步。

• AlexNet是卷積神經(jīng)網(wǎng)絡(luò) (CNN) 架構(gòu)的名稱，由 Alex Krizhevsky 與 Ilya Sutskever 和 Geoffrey Hinton 合作設(shè)計(jì)

改進(jìn)邊界框

在盒子中創(chuàng)建物體后，我們可以收緊盒子以使物體適合其真實(shí)尺寸。這是R-CNN的最后一步。R-CNN 對(duì)區(qū)域提議運(yùn)行簡(jiǎn)單的線性回歸以生成邊界框坐標(biāo)以獲得最終結(jié)果。這個(gè)回歸模型的輸入和輸出是：

• 輸入：與對(duì)象對(duì)應(yīng)的圖像子區(qū)域。
• 輸出：子區(qū)域中對(duì)象的新邊界框坐標(biāo)。

所以，總而言之，R-CNN 是以下步驟：

• 為邊界框生成一組區(qū)域候選框。
• 通過預(yù)訓(xùn)練的 AlexNet 和 SVM 運(yùn)行邊界框中的圖像，以查看框中的圖像是什么對(duì)象。
• 一旦對(duì)象被分類，通過線性回歸模型運(yùn)行框以輸出更緊密的框坐標(biāo)。

RCNN訓(xùn)練網(wǎng)絡(luò)所需的時(shí)間非常長(zhǎng)，因?yàn)榫W(wǎng)絡(luò)必須對(duì)每張圖像 2000 個(gè)區(qū)域提議進(jìn)行分類。它無法實(shí)時(shí)實(shí)現(xiàn)，因?yàn)槊總€(gè)測(cè)試圖像需要大約 47 秒。特定的搜索算法是固定算法。因此，在那個(gè)階段沒有發(fā)生任何學(xué)習(xí)。這會(huì)導(dǎo)致產(chǎn)生不良區(qū)域的建議。

下面是RCNN架構(gòu)實(shí)現(xiàn)的具體代碼：

• Tensorflow : https://github.com/rbgirshick/rcnn
• Keras : https://github.com/broadinstitute/keras-rcnn

Result

R-CNN 提供了最先進(jìn)的結(jié)果。以前的系統(tǒng)是復(fù)雜的集成，將多個(gè)低級(jí)圖像特征與來自對(duì)象檢測(cè)器和場(chǎng)景分類器的高級(jí)上下文相結(jié)合。R-CNN 提出了一種簡(jiǎn)單且可擴(kuò)展的對(duì)象檢測(cè)算法，與之前在 ILSVRC2013 上的最佳結(jié)果相比，相對(duì)提高了 30%。

R-CNN 通過兩個(gè)見解實(shí)現(xiàn)了這一性能。

• 首先是將大容量卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于自下而上的區(qū)域建議以定位和分割對(duì)象。
• 第二種是在訓(xùn)練數(shù)據(jù)標(biāo)簽稀缺時(shí)訓(xùn)練大型 CNN。

R-CNN 結(jié)果表明，在監(jiān)督下預(yù)訓(xùn)練網(wǎng)絡(luò)非常有用。

總結(jié)

以上是生活随笔為你收集整理的深度学习和目标检测系列教程 5-300：早期的目标检测RCNN架构的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。