目标检测论文总结

【RCNN系列】
RCNN

RCNN

目标检测论文总结
前言
一、Pipeline
二、模型设计
- 1.warp
- 2.SVM
- 3.阈值设定
- 4.box回归
三、思考
四、缺点

前言

一些经典论文的总结。

一、Pipeline

在这里插入图片描述
首先传入Input image，利用Selective Search（比较古老）算法取搜索图片中可能有物体的区域，并保存到本地磁盘。然后把这些得到的proposals（大约2000个）传入CNN也就是卷积网络抽取特征（只抽取特征不进行分类预测），最后再接一个SVM来进行预测分类（20类物体+1类背景）。

二、模型设计

1.warp

获取region proposals时，作者再每个原始的proposal上增加了16个像素。比如，红框是SS（selective search）算的得到的proposal，作者在周围多提取16个像素，也就是最终得到的是黄框。这样可以获取更多的边缘信息，防止某些特征被截断。
在这里插入图片描述

获取region proposals后，因为用的是AlexNet有全连接层，需要统一成227*227大小才能输入进CNN。在Reshape时，作者尝试了很多方法。
在这里插入图片描述
A列表示proposal，B列表示根据proposal在原图上直接进行缩放，也就是截取原图上227*227大小，C列表示等比缩放，也就是把长缩放到227，宽缩放相同的倍数（如果此时宽没有达到227就用像素平均值进行padding），D表示不等比缩放，也就是长宽各自缩放成227大小。每张图都有两行，第一行表示不进行每个原始的proposal增加16个像素，第二行表示增加16个像素。最终作者采用D不等比缩放，D的效果最好。

2.SVM

作者并没有把21个SVM分类器分开设计，而是写成矩阵运算的形式。
（x1,x2,...,x4096）表示CNN得到的特征向量即全连接层的最后4096维向量。
（w1,w2,...,w4096）表示参数
由于总共有2000个候选区，所以组成一个2000*4096维的矩阵，最后的输出结果是21类，所以乘上一个4096*21维的参数矩阵。最后输出2000*21维的分类结果。
在这里插入图片描述

3.阈值设定

通过SS算法得到2000多个proposal，但很多都不是我们想要的物体框，这时就涉及到正负样本的划分。
在CNN中：正样本是与GT（真实标注框）IoU≥0.5 的proposal，其他均为负样本（即分为背景类），且输入CNN的batchsize=128=32（正）+96（负）有32个正样本和96个负样本组成，来平衡正负样本的输入。

原因：
0.5阈值实验效果效果最好
SS算法提取的region大部分都都不包含目标即大部分应该都是负样本而CNN需要大量的数据进行训练，0.5阈值让正样本数扩大了30倍。

在SVM中：正样本是GT，负样本与GT的IoU≤0.3（一个个阈值实验所得）的proposal，作者发现如果阈值设为0.5效果会变差。而IoU大于0.3的会被抛弃，既不是正样本也不是负样本。因为这些样本可能都是比较好区分的，对于SVM来说，往往那些好区分的样本是不会影响SVM参数的取值的，对于SVM来说，远离支持向量的样本是不影响SVM效果的，也就是关键是要区分支持向量。也即是论文中说的难例挖掘。
在这里插入图片描述