??R-CNN算法可以說是利用深度學習進行目標檢測的開山之作。2012年AlexNet網絡在ImageNet LSVRC中效果顯著，因此R-CNN的作者想要嘗試將AlexNet在圖像分類上的能力遷移到PASCAL VOC的目標檢測上。這就要解決兩個問題：

• 如何利用卷積網絡去進行目標定位；
• 如何在小規模的數據集上訓練出較好的網絡模型。

??對于利用卷積網絡去進行目標定位的問題，R-CNN利用候選區域(Region Proposal)的方法，這也是該網絡被稱為R-CNN的原因：Regions with CNN features。對于小規模數據集的問題，R-CNN使用了微調的方法，利用AlexNet網絡在ImageNet上預訓練好的模型。

??R-CNN算法步驟：

輸入一張圖像生成1K~2K個候選區域（使用Selective Search方法）；

對于每個候選區域，使用深度網絡提取特征（CNN）；

提取的特征送入每一類的SVM分類器，判別是否屬于該類（SVM）；

使用回歸器精細修正候選框的位置（Regression）。

step1：候選區域的生成
??利用selective Search算法，通過圖像分割的方法，得到一些原始區域，然后使用合并策略將這些區域合并，得到一個層次化的區域結構，而這些結構就包含著可能需要的物體。

step2：對每個候選區域，使用深度卷積神經網絡提取特征
??將2000候選區域縮放為227×227的大小，接著將候選區域輸入到預訓練好的AlexNet CNN網絡獲取4096維的特征得到2000×4096維矩陣。

step3：提取的特征送入每一類的SVM分類器，判定類別
??將2000×4096維特征與20個SVM組成的權值矩陣4096×20相乘，得到2000×20維矩陣表示每個候選框是某個目標類別的得分。分別對上述2000×20維矩陣中每一列即每一類進行非極大值抑制剔除重疊候選框，得到該列即該類中得分最高的一些候選框框。
??非極大值抑制步驟：尋找得分最高的目標；計算其他目標與該目標的IoU（交并比）值；刪除所有IoU值大于給定閾值的目標。

step4：使用回歸器精細修正候選框位置
??對NMS處理后剩余的候選框進一步篩選。接著分別用20個回歸器對上述20個類別中剩余的候選框進行回歸操作，最終得到每個類別的修正后的得分最高的bounding box。
??如圖，黃色框口$P$表示建議框Region Proposal，綠色窗口$G$表示實際框Ground Truth，紅色窗口$\hat{G}$表示Region Proposal進行回歸后的預測窗口，可以用最小二乘法解決的線性回歸問題。

??R-CNN存在的問題：

測試速度慢：測試一張圖片約53s (CPU)。用Selective Search算法提取候選框用時約2秒，一張圖像內候選框之間存在大量重疊，提取特征操作冗余。

訓練速度慢：過程極其繁瑣。

訓練所需空間大：對于SVM和bbox回歸訓練，需要從每個圖像中的每個目標候選框提取特征，并寫入磁盤。對于非常深的網絡，如VGG16，從VOCO7訓練集上的5k圖像上捉取的特征需要數百GB的存儲空間。

SVM分類器和邊框回歸器的訓練過程，和CNN提取特征的過程是分開的，并不能進行特征的學些更新。

總結

以上是生活随笔為你收集整理的R-CNN算法的全部內容，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。