论文阅读：R-CNN

一.简介

        R-CNN来源于论文“Rich feature hierarchies for accurate object detection and semantic segmentation”，论文原文地址为http://arxiv.org/abs/1311.2524
        其基本思想是“将检测任务转换为分类任务”

二.算法原理

2.1模块设计

（1）产生区域建议模块
        本文中使用Selective Search的方法产生2000个Region Propopals。
（2）特征提取模块
        对于每一个Region Proposal，首先对这些区域进行膨胀处理，在其 box 周围附加了 $p$个像素，也就是人为添加了边框，在本文中 $p=16$
        通过Selective Search产生的Region Proposals大小不一，为了适应AlexNet的输入图像的尺寸要求，作者无视Region Proposals的大小和形状，将膨胀后的每一个Region Proposal都暴力地resize到 $227 \times 227$的尺寸大小
        之后使用AlexNet对于每一个Region Proposal都抽取出一个4096维的特征向量

2.2模型训练

在R-CNN的训练阶段，主要可分为以下几个步骤：
（1）有监督的预训练
    在paper中，作者借助Caffe这一深度学习框架的CNN相关库，在ILSVRC2012的数据集上训练了一个CNN（此CNN为AlexNet），其实此时训练出来的CNN只具备图像分类的能力。关于ILSVRC2012数据集的介绍可以参考这篇博客：ILSVRC2012数据集介绍
（2）针对特定领域的Fine-tuning
        为了使得上一步中我们预训练的CNN能够适应新的任务（目标检测）和新领域（变形的候选窗口中的图像），作者使用resize的候选窗口中的图像进行SGD（随机梯度下降）训练（即Fine-tuning）
        上一步中训练得到的CNN的最后一层的分类层（softmax层）为1000个节点，根据Fine-tuning使用的数据集不同，将分类层改成 $N+1$个节点，其中 $N$为此步骤中使用的数据集的类别数目，需要加的 $1$是背景。对于VOC数据集， $N=20$；对于ILSVRC2013数据集， $N=200$
        同时，这一步中使用的AlexNet除了需要改造最后一层softmax层的节点个数以外，为了模型精简，作者还去掉了倒数第二层的FC7
        选取IoU>=0.5的bounding box；在SGD训练中，设置学习率为0.001；在每一轮的SGD迭代中，在一张图像的所有类别中采样32个正窗口和96个背景窗口组成一个128大小的mini-batch
（3）物体类别分类器
        此时需要训练一个二分类器，输出结果为positive和negative
        首先需要明确定义好什么样子的example属于positive和negative，定义好之后就可以为每一个方框打上label。以识别汽车为例，对于一个方框包含了一辆汽车，定义为positive；若一个方框完全没有包含汽车，那它就是一个背景，定义为negative；如果一个方框一部分与汽车重叠，使用IoU的阈值（threshold），R-CNN中threshold取0.3，如果一个区域与ground truth的IoU值低于设定的阈值，那么可以讲它看成是 negative，否则为positive。很自然地，将判断属于positive的example定义为ground truth
        此时到目前为止，已经实现了特征提取和打上label，就可以使用此数据及标签来最训练并优化一个SVM
        由于数量过大内存装不下，这里作者采用的方法为hard negative mining

2.3模型测试

        在测试阶段，R-CNN在每张图片上提取大约2000 个Region Proposals
        然后对于每个Region Proposal使用“特征提取模块”进行先膨胀再resize，送进AlexNet以读取特征，然后用 SVM 进行类别的识别，并产生分数
        Region Proposals有 2000 个，所以会有很多重叠，针对每个类，通过计算 IoU 指标，采取非极大性抑制，以最高分的区域为基础，剔除掉那些重叠位置的区域