轉載自：

深度學習（十八）CNN應用之基于R-CNN的物體檢測-CVPR 2014-未完待續 - hjimce的專欄 - 博客頻道 - CSDN.NET

http://blog.csdn.net/hjimce/article/details/50187029

基于R-CNN的物體檢測

原文地址：http://blog.csdn.net/hjimce/article/details/50187029

作者：hjimce

一、相關理論

? ??本篇博文主要講解2014年CVPR上的經典paper：《Rich feature hierarchies?for?Accurate Object Detection and Segmentation》，這篇文章的算法思想又被稱之為：R-CNN（Regions with Convolutional Neural Network Features），是物體檢測領域曾經獲得state-of-art精度的經典文獻，2013年ILSVRC2013的冠軍，一口氣把原來的物體檢測的精度從40%提高到了53%，引用率非常高。所以如果你搞物體檢測方面，肯定會接觸到這個算法。

? ?這篇paper的思想，改變了物體檢測的總思路，現在好多文獻關于深度學習的物體檢測的算法，基本上都是繼承了這個思想，比如：《Spatial Pyramid Pooling in Deep Convolutional?Networks for Visual Recognition》，所以學習經典算法，有助于我們以后搞物體檢測的其它paper。

? ? 之前剛開始接觸物體檢測算法的時候，老是分不清deep learning中，物體檢測和圖片分類算法上的區別，弄得我頭好暈，終于在這篇paper上，看到了解釋。物體檢測和圖片分類的區別：圖片分類不需要定位，而物體檢測需要定位出物體的位置，也就是相當于把物體的bbox檢測出來。圖片分類標注好的訓練數據非常多，但是物體檢測的標注數據卻很少，如何用少量的標注數據，訓練高質量的模型，這就是文獻最大的創新點，這篇paper采用遷移學習的思想，對CNN模型進行參數初始化，精度飆漲，具體后面在講，讓大家先知道這篇paper最值得我們學的思想就是無監督預訓練，這也是我我覺得最早利用無監督學習方法應用于CNN中，之前雖然有看到一些圖片的無監督訓練（反卷積算法），但是感覺好像不頂用，引用的人也非常少。

二、算法實現

開始講解算法前，我們需要算法的總體思路，把握總體思路，才容易理解paper的算法。

1、算法總體思路?

? 圖片分類與物體檢測不同，物體檢測需要定位出物體的位置，這種就相當于回歸問題，求解一個包含物體的方框。而圖片分類其實是邏輯回歸。這種方法對于單物體檢測還不錯，但是對于多物體檢測就……因此paper采用的方法是：

首先輸入一張圖片，我們先定位出2000個物體候選框，然后采用CNN提取每個候選框中圖片的特征向量，特征向量的維度為4096維，接著采用svm算法對各個候選框中的物體進行分類識別。也就是總個過程分為三個程序：a、找出候選框。b、利用CNN提取特征向量 c、利用SVM進行特征向量分類。具體的流程如下圖片所示：

2、算法實現細節

(1)候選框搜索

讓我們輸入一張圖片時，我們要搜索出所有是物體的區域，這個采用的方法是傳統文獻的算法：《search for object recognition》，這個我們搜索出2000個候選框。然后我們從上面的總流程圖中可以看到，我們搜出的候選框，是矩形的，而且是大小各不相同。但是我們知道CNN對輸入圖片的大小是有固定的，如果把搜索到的矩形選框不做處理，就扔進CNN中，肯定不行。因此對于每個輸入的候選框都需要縮放到固定的大小，當然paper的縮放很簡單，就是不管圖片的長寬比例，管它是否扭曲，進行縮放就是了，全部縮放到CNN輸入的大小227*227。(這個時候其實我們可以想到，一張矩形圖片，如果強制把它縮放到227*227的正方形圖片，肯定會發生扭曲，就像上面總流程圖中的圖3,這個方法可定會識別精度，所以在后來的另外一篇paper中：《Spatial Pyramid Pooling in Deep Convolutional?Networks for Visual Recognition》才改進了這個輸入圖片的扭曲問題，在這篇博文中，我們暫且不考慮圖片是否發生扭曲)

(2)CNN特征提取

a、網絡設計

CNN的網絡結構方面與Alexnet網絡相同（除了最后一層的softmax層之外），圖片輸入的大小是227*227，如果還不知道Alexnet的，還是先好好學習經典paper《ImageNet Classification with Deep Convolutional》，這是入門必學的文章。Alexnet特征提取部分包含了5個卷積層、2個全連接層。通過這個網絡，我們每個輸入候選框圖片都能得到一個4096維的特征向量。

b、網絡訓練

物體檢測的一個難點在于，物體標簽訓練數據少，如果要直接采用隨機初始化CNN參數的方法，那么目前的訓練數據量是遠遠不夠的。這種情況下，最好的是采用無監督學習的方法進行預訓練，然后在進行有監督的參數微調。這個應該是深度學習的靈魂了，之前看過DBM，稀疏自編碼、RBM等，聽過這種思路，但是在CNN里面怎么用，卻一直不知道，這下子我又學了一招。我覺得這篇paper，最值得我們學的地方就是提出采用無監督訓練參數初始化的方法，最后在進行有監督微調。所以上面paper在設計網絡結構的時候，是直接用Alexnet的網絡，然后連參數也是直接采用它的參數，作為初始的參數值。

然而我們知道CNN可以用于提取特征，我們可以利用AlexNet的前面幾層，訓練好的模型，進行特征提取。

未完待續，敬請期待……

SVM分類的權值矩陣為4096*N，N為分類的個數，4096便是我們通過CNN提取到的特征向量

總結

以上是生活随笔為你收集整理的CNN应用之基于R-CNN的物体检测-CVPR 2014-未完待续的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。