论文：Rich feature hierarchies for accurate object detection and semantic segmentation【用于精确物体定位和语义分割的丰富特征层次结构】
论文链接：https://arxiv.org/pdf/1311.2524v3.pdf
论文翻译：https://blog.csdn.net/v1_vivian/article/details/78599229

题外话

​ 图像分类，检测及分割是计算机视觉领域的三大任务。目标检测，具体指识别并定位一张图片中的多个物体，返回与图内物体对应的预测框及其分类。任务要求复杂于分类，弱于分割，是一个中粒度的任务。

解决这一问题，核心思路有两种:
​(1) two-stage法，将问题分为两个阶段，首先产生候选区域，再对区域分类和精修，典型代表为R-CNN家族(rcnn, fast-rcnn, faster-rcnn)。更准但偏慢。
​(2) one-stage法直接产生物体的类别概率和位置坐标值，比较典型的算法如YOLO家族和SSD。快速但准确度稍逊。
RCNN这篇论文是二阶法的开山之作，虽然其技术手段上并没有提出新东西，但RCNN是首先将深度模型应用到检测任务的成功案例，RCNN也终结了检测任务上传统方法的统治地位。虽然其本身仍有蛮多缺陷，但其地位，亦足可以称作一个milestone了。
不建议在本篇论文花过多时间, 后续之作(faster-rcnn)很多地方进行了改进, so, that’s a waste of time.

先放上RCNN的摘要，也是重点！！！

数据集： Pascal VOC (目标检测领域很经典的一个数据集，不过现已经被COCO取代)
本文两大核心difference：
(1). 成功将CNN应用到检测任务上，并取得了巨大的表现提升。(mAP达到了当时的state of art 53.3%，比传统方法提高近30%)
(2). VOC 数据集很小，故本实验使用了迁移学习+网络微调的方式。

架构设计

整体流程为：SS + CNN + SVM分类器
使用Selective Search 方法，提取出2000余个候选框
将提取到的全部候选框输入到CNN网络(AlexNet, VGG)中，本步骤旨在提取特征，最终得到定长的特征向量(4096维)
再将提取到的特征向量输入到SVM分类器中，获得候选框的分类(predict label of bboxes)
【补：Selective Search 是一篇讲述合并，生成候选框的论文。速度太慢，瓶颈严重，在rcnn家族中被后来的RPN网络方法取代，故十分不建议阅读。】
简介如下：
首先使用F.M的论文的方法（一种分割领域的贪心聚类算法）生成诸多小块区域，此后，论文从多种角度(颜色空间，纹理，域尺寸，匹配程度等)提出思考，定义了多种相似度，线性加权得到整体域相似度，再根据整体相似度进行区域合并。计算纹理相似度基于SIFT算法，因此计算耗时过大，最后此方法被弃用，故不建议阅读。
Related Blog:（Selective Search相关）
​https://blog.csdn.net/Tomxiaodai/article/details/81412354
https://blog.csdn.net/c20081052/article/details/80020200
注： 在后续的fast-rcnn中，SVM分类器这一部分被弃用，Softmax分类器取代了它。

训练细节

预训练

在 数据集 ILSVRC2012 （ImageNet）上进行预训练。框架是Caffe，论文最初使用的是AlexNet架构。(这只是一个单纯分类任务，训练网络提取特征的能力)
问： 为什么要进行预训练？
答： CNN训练需要大量样本，VOC数据集太小了，根本顶不住(overfitting)

建议框提取

bbox = bounding box, 亦可称之为 proposal region 或 ROI(Region of Interest)，指所要提取的边界框
不妨将选择性搜索看做一个黑盒模型，输入原始图像，返回bounding box的左上角点位置及bbox的shape(宽，高)。由是，我们得到了两千余个，形状各异的矩形建议框。
问： 提取到的bbox下一步要输入到CNN网络中，AlexNet固定网络输入(224×224 px),如何解决这一问题？
答：warp image。 本文将每个提取到的bbox，均padding了16px（填值为每个bbox的灰度均值），接下来进行暴力扭曲，将图片resize到固定尺寸。显然，这破坏了图像的结构，造成了失真。(在后续研究中，这种方法弃用，找到了更聪明的方法)

网络微调

问： 不进行调优，直接用预训练模型行么？
答： 可行，经过微调，mAP提高了8%
数据集：VOC， SS后得到bbox, warp，输入网络进行训练。
CNN基本架构不变，变更的是网络输出。ImageNet 输出1000个分类，而VOC数据集上，仅21维输出(20类物体+背景类)。此处是一个单纯分类任务，输入bbox扭曲后的定长图像，输出该图像的分类。

问： 如何label 建议框的分类？
答： VOC数据集中，包含图像原图+图内若干个物体框标注信息。以单张图片为例，该图内的所有物体框设置为ground truth(如图0第3幅中的猫，狗，鸭子)。那接下来，如何给bbox打label呢？

下面，由我引入IOU （Intersection over Union）
简而言之，就是两个框，boxA && boxB。
IOU = (boxA ∩ boxB) / (boxA ∪ boxB)

【Ref: （IOU相关 上图源自知乎胡孟）】
https://zhuanlan.zhihu.com/p/47189358
而给bbox定label，实际上就是算bbox和ground truth(gt)的IOU。在微调训练中， gt-bbox和ss后得到的pred-bbox 计算IOU。如果IOU>0.5，就label成正例样本(针对其对应的gt类), 而如果p-bbox和所有gt-bbox的IOU均小于0.5,就设定为背景样本。0.5是一个宽松的阈值，主要原因是数据过少。

SGD大法，初始learning_rate为0.001。
batch-size = 128, 正样本:负样本 = 1:3(96个背景框，32个正例框)

SVM训练

IOU<0.3视为负类，ground-truth作为正类(存疑，是指bbox完全包含ground-truth某个物体，还是直接拿ground-truth作为正类)
而IOU>0.3的其他bbox直接丢弃，不参与SVM训练。
阈值0.3，这个值是网格搜索而来。0~0.5，步长为0.1搜索，最终发现0.3这个阈值的最终表现最好。(如此Label显然比微调更为严格，因为SVM本身适用于小数据集)
SVM是二分类分类器。因此实际上，针对每个类共训练了21个SVM分类器。

测试流程

SS（候选框获取） + CNN(特征提取) + SVM
由SVM确定分类后，将bbox归类成21类，接下来进行NMS非最大值抑制。
NMS过后，进行边界框回归
Ref:
​https://blog.csdn.net/weixin_39732260/article/details/81304462
https://blog.csdn.net/weixin_41923961/article/details/80246244(本篇blog里叙述十分详尽，建议阅读)
https://blog.csdn.net/v1_vivian/article/details/80292569（边界回归）

消融实验

为检测性能，作者进行了消融实验，即丢弃某些层，再观察经丢弃部分后，新模型的表现。作者发现，丢弃全连接层，对结果表现影响较小。或许你还在疑问为什么大动干戈要用SVM单独训练分类，而不是直接从CNN得出分类结果，上图就给出了答案。丢弃FC6, FC7并没有影响很多，从卷积层最后一层(layer-5)提取出特征向量，输入SVM，能得到更优的表现。

补

​R-CNN 一(da)作(lao)：Ross Girshick 该作者工作于微软，在发表了引起轰动的本文后，没有放弃研究，继续对自己模型改进，以致于形成RCNN家族，成为二阶法典范，赞！这也太666了吧。说起6，我就想起了六小龄童爷爷，今年下半年…

​检测任务的评价指标mAP。
Ref:
​https://zhuanlan.zhihu.com/p/55575423
https://zhuanlan.zhihu.com/p/48992451

​遗憾的地方是，我没有看懂本论文的可视化部分，没get到作者如何进行可视化的。如有dalao出没，望不吝赐教。

结论

贡献：
​(1). CNN应用于检测任务的开山之作，第一个成功恰到螃蟹的人
​(2). 迁移学习应用的成功案例
(3). 普遍认为 CNN和SVM是互斥的两个东西，但本文通过丢弃CNN全连接层，实现了SVM与CNN的结合
缺点：
(1). warp图像 失真
(2). 2000个框全部输入CNN 冗余计算
(3). Selective Search提取框，特别慢
(4). 训练多个SVM，麻烦

秉着尊重著作权和不重复造车轮的原则，如NMS，bbox回归等某些细节将直接挂链接，simply cuz I learn from that and I make no difference。
人的本质是什么？复读机啊~~~ 虽然不重复造车轮，但学习了解这些trick本身很重要，推荐阅读。本文配图源于CSDN博客或原论文，非原创(借用也没联系博主)(不过读书人的窃那能叫偷嘛)，侵删见谅。图源有挂链接(见底部)。这些博主写的解读十分优秀，因此不想重复造轮子，但推荐大家还是要多了解。再次跪谢文中链接的大佬们，感谢他们为我们学习提供明灯~感恩！

RCNN是一篇目标检测的基础论文，入门有些困难，但是一如检测深似海，慢慢就会习惯啦，基础工作做得好，Fast RCNN和Faster RCNN才会不费力！我们本周还有两篇论文（Fast RCNN和Faster RCNN），感谢小伙伴们一路同行啦，感谢大家~