本文主要用于介紹rbg大神于2014年提出的RCNN網(wǎng)絡(luò)，該網(wǎng)絡(luò)架構(gòu)也奠定了神經(jīng)網(wǎng)絡(luò)在目標檢測領(lǐng)域應(yīng)用的基礎(chǔ)。本筆記主要為方便初學者快速入門，以及自我回顧。

論文鏈接：https://arxiv.org/pdf/1311.2524.pdf
github主頁：https://github.com/rbgirshick/rcnn
rbg大神個人主頁：http://www.rossgirshick.info/#girshick2014rcnn

基本目錄如下：

1. 摘要
2. 核心思想
3. 總結(jié)

------------------第一菇 - 摘要------------------

1.1 論文摘要

在PASCAL VOC數(shù)據(jù)集上做測驗的目標檢測算法，在過去幾年（2013年前）突破并不大。其中最優(yōu)的方法是一種復(fù)雜的集成系統(tǒng)，將高緯度的圖像特征與低緯度的圖像特征相結(jié)合。在本論文中，我們提出了一種新的可量化的檢測算法，將過去在PASCAL VOC數(shù)據(jù)集上取得的最優(yōu)map（mean average precision）53.3%提升了超過30%。論文提出的方法包含2個關(guān)鍵點，首先就是用CNN網(wǎng)絡(luò)在建議區(qū)域（region proposals）來定位和分割物體，其次當標注數(shù)據(jù)稀缺的時候，我們用其他任務(wù)中監(jiān)督訓(xùn)練出來的網(wǎng)絡(luò)來達到預(yù)訓(xùn)練的目的，實驗表明該做法能提高網(wǎng)絡(luò)表現(xiàn)。因為論文結(jié)合了CNN和region proposals，該方法又被稱為R-CNN：提出的區(qū)域由CNN提取特征。

------------------第二菇 - 核心思想------------------

2.1 論文的突破點

本篇論文是極具歷史意義的，因為其奠基了后續(xù)一系列的目標檢測/語義分割神經(jīng)網(wǎng)絡(luò)模型，因此有必要優(yōu)先強調(diào)一下本論文的突破點是什么。

在2010-2012年期間，目標檢測算法采用的依舊是傳統(tǒng)圖像特征因子算法（有興趣的同學可以了解一下，不過現(xiàn)在基本都不用了），但其效果一直停滯不前。而在2012年ImageNet上大放異彩的CNN網(wǎng)絡(luò)也只適用于分類任務(wù)，并不直接適用于目標檢測。

因此，目標檢測領(lǐng)域一個新的研究方向就此誕生，即能多大程度的運用CNN的圖片分類結(jié)果來幫助提高目標檢測算法的精度？

本文就在圖片分類和目標檢測之間，首次架起了橋梁！并且首次用實驗表明CNN網(wǎng)絡(luò)能極大的提高目標檢測算法的精度！

能否架起橋梁，有2個核心關(guān)鍵點：
1）如何用深度神經(jīng)網(wǎng)絡(luò)來實現(xiàn)定位問題（localizing objects）
2）如何用有限的數(shù)據(jù)來訓(xùn)練神經(jīng)網(wǎng)絡(luò)

第1個關(guān)鍵點，傳統(tǒng)上有2個解決辦法：
1）將定位問題轉(zhuǎn)化為回歸問題。實驗證明效果并不好。
2）滑動窗口檢測。實驗證明精準定位效果不佳（往往由于窗口過大造成）
因此，本文沒有采用上述2種方法，而是采用區(qū)域建議（region proposals，簡單理解就是用某種方法，選取潛在的備選框），將這些框輸入到CNN網(wǎng)絡(luò)中提取特征，再利用SVM進行分類～

第2個關(guān)鍵點，本文的實驗表明，利用其他任務(wù)的大數(shù)據(jù)（比如圖片分類），提前預(yù)訓(xùn)練CNN網(wǎng)絡(luò)，再用目標檢測數(shù)據(jù)集進行微調(diào)，能極大的提升模型表現(xiàn)～

有了以上的初步認識后，我們再來細品一下具體的模型架構(gòu)～

2.2 R-CNN模型架構(gòu)

話不多說，我們先上一張，論文自己給出的模型架構(gòu)圖。

R-CNN模型架構(gòu)圖.png

上面的流程圖可以說是非常的清晰了，總共由3部分組成，
1）提出候選區(qū)域（Region proposals）：在過去已經(jīng)由很多種提取候選區(qū)域的辦法啦，主要用的還是傳統(tǒng)的圖像算法，本文所采用的就是一種名為“selective search”的方法。這里簡單提一下該方法，其核心思想就是先利用圖的圖像分割方法將圖分割成很多很多小塊，然后使用貪心策略，計算每個相鄰區(qū)域的相似度，每次合并最相似的兩塊，直到最終只剩下一塊完整的圖片（而這其中產(chǎn)生的圖像塊就是我們要的候選區(qū)域），具體想了解更多的同學可以參考這篇博客。

2）特征提?。‵eature Extraction）：這里比較關(guān)鍵的一個點就是上一個流程出來的候選區(qū)域的尺度都是不一致的，但是輸入到CNN網(wǎng)絡(luò)中的圖片必須要求是227*227的，因此中間過渡轉(zhuǎn)換的這一步預(yù)處理也是至關(guān)重要的。本文采用了一種最簡單的，即無視候選區(qū)域的大小尺度，一起“縮放/打包（wrap）”進一個固定大小的框（作者這里提到了在候選區(qū)域外面還擴大了一個16寬的邊框，理論上是為了考慮更多的背景信息）。這里有很多處理的細節(jié)論文沒有具體展開說，有興趣的同學可以看一下源碼（有點久遠，真的有空的再去看吧哈哈）

3）利用SVM進行分類：這就沒什么好展開說的了，值得補充的一點就是作者還訓(xùn)練了一個回歸器用于對第一階段提出的區(qū)域進行調(diào)整，從而得到更精確的位置。

至此整個模型架構(gòu)算是理清了，我們再來看看訓(xùn)練細節(jié)～

2.3 訓(xùn)練細節(jié)

如上述所說，訓(xùn)練也分為3部分，

1）有監(jiān)督的預(yù)訓(xùn)練（Supervised pre-training）：主要是預(yù)訓(xùn)練CNN的參數(shù)，利用圖像分類的大量標注數(shù)據(jù)。

2）特定領(lǐng)域的微調(diào)（Domain-specific fine-tuning）：把需要做目標檢測的圖像的相關(guān)特定領(lǐng)域進行微調(diào)訓(xùn)練。

3）目標分類訓(xùn)練（Object category classifiers）：這里存在一個正負樣本不平衡的問題。。。畢竟背景的區(qū)域肯定是要比目標區(qū)域大的。。。這里論文也沒有具體展開來說，有興趣的同學可以再深入研究。

至此，整篇論文的核心已經(jīng)說清楚了，具體的實驗過程及結(jié)果本文不作展開，結(jié)論就是大幅提升目標檢測的效果??～

------------------第三菇 - 總結(jié)------------------

3.1 總結(jié)

到這里，整篇論文的核心思想已經(jīng)說清楚了。本論文主要是提出了一種新的思路，將CNN運用于目標檢測算法，并實驗證明其可行性，為后續(xù)發(fā)展奠定了基礎(chǔ)。

簡單總結(jié)一下本文就是先羅列了一下該論文的摘要，再具體介紹了一下本文作者的思路，也簡單表述了一下，自己對R-CNN網(wǎng)絡(luò)的理解。希望大家讀完本文后能進一步加深對該論文的理解。有說的不對的地方也請大家指出，多多交流，大家一起進步～??