R-CNN

物体检测的深度网络方法。

• Selective Search 生成候选框
• AlexNet 提取特征（用 VGG-16 提特征效果更好，但是复杂度太高）
• SVM 分类
• NMS 筛选窗口并输出

预处理

• Selective Search 提取候选框
• 候选框四个方向补16像素后 resize 为 227*227 大小（AlexNet 要求的输入大小）

训练

• AlexNet 预训练：ILSVRC2012 分类数据库，只有图片标注，没有 bounding box 。
• AlexNet 微调：用所有预选框（从所有图片的所有预选框里面采样得到 batch）训练 AlexNet，其中和真实物体区域的交并比（IoU）$>= 0.5$ 的候选框为正样本，其他为负样本。batch size 为128，32 个正样本窗口和 96 个背景窗口（一般在图片中背景窗口比较多所以背景窗口的数目较多）。如果待检测的物体有 N 类，则网络的分类输出为 N+1（N类 + 背景）。
• SVM 训练：用所有预选框训练二分类SVM。SVM训练的交并比阈值和 AlexNet 不同，为0.3（通过Grid Search 得到）。 对每一个类别分别训练一个线性SVM。

实验结果

• VOC 2010

Method	aero	bike	…	mAP
DPM	49.2	53.8	…	33.4
R-CNN	67.1	64.1	…	50.2
R-CNN BB	71.8	65.8	…	53.7

参考文献

1. R. Girshick, J. Donahue, T. Darrell, and J. Malik. Rich feature hierarchies for accurate detection and semantic segmentation