?

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

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

概述：

?

測試流程：（1）輸入測試圖像

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

??（3）將每個region proposal warp(縮放)成227*227，再輸入到CNN計算特征(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）對分類好的region proposal做bounding-box regreesion：每個region都會給出所對應的score，選出前幾個對大數值，然后再用非極大值抑制canny來進行邊緣檢測，最后就會得到所對應的bounding-box

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

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

（2）對于數據量不足(labeled data is scarce):在大數據集(ImageNet)上進行預訓練，之后在特定領域的數據集(PASCAL)上對網絡進行fine-tuning(微調)。

非極大值抑制（NMS）先計算出每一個bounding box的面積，然后根據score進行排序，把score最大的bounding box作為選定的框，計算其余bounding box與當前最大score與box的IoU，去除IoU大于設定的閾值的bounding box

運行時間分析：——快的原因：CNN的參數共享，低維度的features vectors，所需要的內存小

數據集的劃分：若region proposal與ground-truth的IoU大于某個閥值則為正樣本，否則為負樣本。閥值是由a grid search over{0,0.1,...,0.5}on a validation set產生的。

結果：將PASCAL VOC上的檢測率從35.1%提升到53.7%。

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

總結

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。