?

最近在看一些目標(biāo)檢測(cè)的論文，本文是經(jīng)典的R-CNN（Regions with CNN features），隨之產(chǎn)生的一系列目標(biāo)檢測(cè)算法：RCNN,Fast RCNN,?Faster RCNN代表當(dāng)下目標(biāo)檢測(cè)的前沿水平。在此之前主要是SIFT和HOG特征。

Code：https://github.com/rbgirshick/rcnn

概述：

?

測(cè)試流程：（1）輸入測(cè)試圖像

??（2）利用selective search算法在輸入圖像中提取大約2000個(gè)region proposals

??（3）將每個(gè)region proposal warp(縮放)成227*227，再輸入到CNN計(jì)算特征(fc7的輸出)，提取出的特征向量的維度為4096維

??（4）將提取到的特征輸入到SVMs中分類。

??（5）對(duì)分類好的region proposal做bounding-box regreesion：每個(gè)region都會(huì)給出所對(duì)應(yīng)的score，選出前幾個(gè)對(duì)大數(shù)值，然后再用非極大值抑制canny來進(jìn)行邊緣檢測(cè)，最后就會(huì)得到所對(duì)應(yīng)的bounding-box

針對(duì)的問題：localizing objects?with a deep network 和?training a high-capacity model?with only a small quantity of annotated detection data.?

（1）圖像中的目標(biāo)定位兩種思路：把定位當(dāng)做回歸問題或利用滑動(dòng)窗口(sliding-window)

（2）對(duì)于數(shù)據(jù)量不足(labeled data is scarce):在大數(shù)據(jù)集(ImageNet)上進(jìn)行預(yù)訓(xùn)練，之后在特定領(lǐng)域的數(shù)據(jù)集(PASCAL)上對(duì)網(wǎng)絡(luò)進(jìn)行fine-tuning(微調(diào))。

非極大值抑制（NMS）先計(jì)算出每一個(gè)bounding box的面積，然后根據(jù)score進(jìn)行排序，把score最大的bounding box作為選定的框，計(jì)算其余bounding box與當(dāng)前最大score與box的IoU，去除IoU大于設(shè)定的閾值的bounding box

運(yùn)行時(shí)間分析：——快的原因：CNN的參數(shù)共享，低維度的features vectors，所需要的內(nèi)存小

數(shù)據(jù)集的劃分：若region proposal與ground-truth的IoU大于某個(gè)閥值則為正樣本，否則為負(fù)樣本。閥值是由a grid search over{0,0.1,...,0.5}on a validation set產(chǎn)生的。

結(jié)果：將PASCAL VOC上的檢測(cè)率從35.1%提升到53.7%。

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

總結(jié)

以上是生活随笔為你收集整理的论文笔记——Rich feature hierarchies for accurate object detection and semantic segmentation的全部內(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。