叮咚距糖，前文已經(jīng)簡(jiǎn)單的介紹了一些玄窝，下面進(jìn)入第一個(gè)算法——R-CNN。
在計(jì)算機(jī)視覺(jué)領(lǐng)域有一個(gè)神一樣存在的競(jìng)賽——ImageNet大賽悍引，各種各樣的優(yōu)秀算法差不多都首先初現(xiàn)在大賽上恩脂。講深度學(xué)習(xí)應(yīng)用于計(jì)算機(jī)視覺(jué)最早可以追溯到2012年，在此次大賽上趣斤，卷積神經(jīng)網(wǎng)絡(luò)CNN一炮走紅俩块，成功擊敗了DMP（可變組建模型，被稱為傳統(tǒng)目標(biāo)檢測(cè)算法最后的輝煌Ｅ臁）玉凯。基于此联贩，Ross大神趁火打劫漫仆，率先提出了區(qū)域卷積網(wǎng)絡(luò)目標(biāo)檢測(cè)框架（R-CNN）。由此撑蒜，目標(biāo)檢測(cè)鳥(niǎo)槍換大炮歹啼，正式拉開(kāi)了基于深度學(xué)習(xí)的目標(biāo)檢測(cè)研究大幕，目標(biāo)檢測(cè)算法結(jié)束了傳統(tǒng)座菠，“GPU暴力美學(xué)”時(shí)代到來(lái)狸眼。
首先我們先來(lái)看一下論文《Rich feature hierarchies for accurate oject detection and semantic segmentation》（百度云鏈接：https://pan.baidu.com/s/12pESnsHbFi8ktfIxu729_A，提取碼：e84a）浴滴，這便是Ross Girshick大神于2014年發(fā)表的論文拓萌，由此提出R-CNN。
一升略、原文解讀
（并非逐字逐句翻譯）
過(guò)去幾年微王，在PASCAL數(shù)據(jù)集上目標(biāo)檢測(cè)的效果已經(jīng)達(dá)到了一個(gè)穩(wěn)定的效果，并且總結(jié)出了一個(gè)發(fā)展方向：融合多種低維度的特征圖和高緯度的上下文語(yǔ)義可以提升檢測(cè)效果品嚣。Ross大神基于此炕倘，提出了一種算法，可以將數(shù)據(jù)集VOC2012的最高檢測(cè)精度提升30%（也怪當(dāng)時(shí)檢測(cè)效果質(zhì)量較差翰撑，才一下提升如此之高）罩旋，達(dá)到了53.3%（很快就會(huì)被碾壓）！Ross大神并且總結(jié)出了兩個(gè)關(guān)鍵因素（為R-CNN系列算法打下了堅(jiān)實(shí)的基礎(chǔ)）：
1.在候選區(qū)域自上而下的使用卷積神經(jīng)網(wǎng)絡(luò)用來(lái)定位和分割眶诈；
2.采用預(yù)訓(xùn)練再微調(diào)的方式（以后都是這樣干的涨醋，遷移學(xué)習(xí)老鐵了解一下）。
1.1 Introduction
特征是賊啦重要的（還用你說(shuō)）逝撬。過(guò)去的目標(biāo)檢測(cè)算法基本上都是基于SIFT和HOG特征進(jìn)行檢測(cè)的（關(guān)于這兩個(gè)以后有機(jī)會(huì)再詳述浴骂，你知道他們是兩種特征提取算法就ok了），但是近些年來(lái)（2010-2012年）進(jìn)展非常緩慢（這也就表明了單純的依靠傳統(tǒng)的特征提取已經(jīng)很難再取得進(jìn)步了宪潮，大神們已經(jīng)把這種算法研究的明明白白了）溯警，于是乎趣苏，我們決定采用CNN來(lái)搞一下。
接下來(lái)愧膀，論文中講述了目前最新發(fā)展的傳統(tǒng)目標(biāo)檢測(cè)算法以及基于CNN的目標(biāo)檢測(cè)算法拦键，為接下來(lái)提出我的NB算法打一下前調(diào)。這里就省略了檩淋，如果您喜歡芬为，請(qǐng)?jiān)敿?xì)研究。
我們針對(duì)前人們的研究成果蟀悦，通過(guò)研究他們的缺點(diǎn)媚朦，總結(jié)出了我們的要點(diǎn)，就是：通過(guò)操作“recognition using regions”解決了CNN的定位問(wèn)題日戈，并且對(duì)于每一張圖像（注意啊询张，是針對(duì)每一張圖像），我們獲取2K個(gè)于類別無(wú)關(guān)的region proposal（這個(gè)單詞經(jīng)常會(huì)出現(xiàn)浙炼，翻譯成什么樣的中文都感覺(jué)差點(diǎn)意思）份氧，通過(guò)神操作將這2K個(gè)region proposal轉(zhuǎn)化成固定大小的，將其每一個(gè)（注意啊弯屈，是每一個(gè)蜗帜，即這2000多個(gè)都要）輸入到卷積神經(jīng)網(wǎng)絡(luò)，然后經(jīng)過(guò)卷積操作之后资厉，利用SVM進(jìn)行分類厅缺。由于這個(gè)算法結(jié)合了region proposal和CNN，因此我們就給他命名為R-CNN宴偿，下面上圖湘捎。
不放上這個(gè)圖，我自己都覺(jué)得我再胡扯窄刘。
如果你說(shuō)我的數(shù)據(jù)集不夠咋辦窥妇，這可就不好辦了。深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練就是從大量娩践，或者說(shuō)海量的數(shù)據(jù)中心獲得特征的描述秩伞，但是有標(biāo)簽的數(shù)據(jù)集是非常難找到的，即使自己制作數(shù)據(jù)集欺矫，需要耗費(fèi)的人力物力還是很大的。因此展氓，數(shù)據(jù)集數(shù)量不夠怎么辦不僅僅困惑著你穆趴，同樣困惑著Ross大神。R-CNN提出的另一個(gè)大的貢獻(xiàn)則是“微調(diào)”遇汞，即在輔助數(shù)據(jù)集（ILSVRC）上進(jìn)行訓(xùn)練（據(jù)說(shuō)數(shù)據(jù)量是千萬(wàn)級(jí)的未妹，我沒(méi)有考證過(guò)簿废，道聽(tīng)途說(shuō)），然后再在小數(shù)據(jù)集上進(jìn)行調(diào)優(yōu)络它，這為我們利用現(xiàn)有模型（VGG16族檬、ZF都有訓(xùn)練好的預(yù)訓(xùn)練模型）來(lái)進(jìn)行訓(xùn)練自己的數(shù)據(jù)集提供了可能（當(dāng)然了，這里的小數(shù)據(jù)集也不能太少化戳，過(guò)擬合還是很恐怖的单料，如果你就三五張，三五十張數(shù)據(jù)集点楼，請(qǐng)出門左拐扫尖，再制作一些數(shù)據(jù)集去，起碼每個(gè)類別也要有幾百上千張的掠廓，為了獲得相對(duì)較好的訓(xùn)練效果换怖，每個(gè)不同類別的數(shù)據(jù)集數(shù)量最好相差不是很大）。
R-CNN目標(biāo)檢測(cè)模型有三個(gè)模塊構(gòu)成：
1.生成類別獨(dú)立的region proposal
2.從各個(gè)region proposal中獲取固定維度的特征向量蟀瞧，可以用ZF沉颂，也可以用VGG16
3.利用SVM算法將這些特征向量分類
1.2 Object detection with R-CNN
region proposal
獲得region proposal是成功的第一步，那么如何獲得region proposal呢悦污？這是一個(gè)非常重要的話題铸屉，在這里R-CNN采用的是選擇性搜索算法（selective search，SS算法塞关，這里就不做過(guò)多的解釋了抬探，請(qǐng)大佬們自行百度吧，很簡(jiǎn)單的）帆赢。這就產(chǎn)生了1K-2K個(gè)region proposal小压，具體是不是這個(gè)數(shù)，咱也沒(méi)數(shù)過(guò)椰于，咱也不敢說(shuō)怠益。
獲取了region proposal后，首先要要做的就是給這些region proposal整理大小瘾婿，為了方便計(jì)算蜻牢，均歸一化成227*227大小的（其實(shí)這個(gè)數(shù)字可以通過(guò)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)算出來(lái)）。下面就是將大小一樣的region proposal排排隊(duì)送入卷積神經(jīng)網(wǎng)絡(luò)中偏陪，靜等結(jié)果便可抢呆。
論文的下面一些部門便是介紹了訓(xùn)練過(guò)程已經(jīng)各種各樣的對(duì)比試驗(yàn)從而驗(yàn)證了R-CNN算法多么多么優(yōu)秀。就不在一一介紹了笛谦，下面結(jié)合我的訓(xùn)練過(guò)程抱虐，為大家介紹R-CNN的訓(xùn)練過(guò)程。
二饥脑、R-CNN模型訓(xùn)練
在得到region proposal后恳邀，便可以開(kāi)始卷積操作提取特征了懦冰。
好了，現(xiàn)在我要站隊(duì)了谣沸，目前基于深度學(xué)習(xí)的深度神經(jīng)網(wǎng)絡(luò)框架主要有兩大陣營(yíng)刷钢，其一是Caffe，其二是TF（tensorflow乳附，于口紅無(wú)關(guān)内地，于TFBOYS更沒(méi)有一毛錢關(guān)系），其實(shí)這來(lái)兩個(gè)框架各自有各自的特點(diǎn)與不足许溅，由于一開(kāi)始接觸的是基于Caffe的模型瓤鼻，因此后面包括以后的算法基本上均是基于Caffe框架進(jìn)行開(kāi)發(fā)的。
現(xiàn)在常用的基于Caffe的卷積神經(jīng)網(wǎng)絡(luò)主要有ZF和VGG系列贤重，其中VGG系列中VGG16又比較流行茬祷。R-CNN的訓(xùn)練流程如下圖。
自己畫的并蝗，好與不好請(qǐng)多擔(dān)待祭犯。
其訓(xùn)練過(guò)程并不復(fù)雜，這里還有幾點(diǎn)再給大家強(qiáng)調(diào)一下滚停。
R-CNN中沃粗，這2K多個(gè)region proposal經(jīng)過(guò)卷積神經(jīng)網(wǎng)絡(luò)得到特征向量之后，是采用SVM進(jìn)行分類的键畴，來(lái)確定類別最盅，采用Bounding-Box（Bbox）進(jìn)行回歸的，來(lái)獲得其位置坐標(biāo)起惕，關(guān)于這兩個(gè)算法涡贱，雖說(shuō)不影響R-CNN的理解，但還是學(xué)習(xí)了解一下為好惹想。
通過(guò)以上的描述其實(shí)不難發(fā)現(xiàn)R-CNN的缺陷问词，并且是非常致命的缺陷（再NB的算法也是有缺陷的），總結(jié)出來(lái)主要是兩大點(diǎn)吧（個(gè)人認(rèn)為）：
1.將每一張待檢測(cè)圖像首先分成2000多個(gè)嘀粱，并且每一個(gè)都要經(jīng)過(guò)卷積計(jì)算激挪，這是非常耗費(fèi)時(shí)間的，這就造成了起檢測(cè)速度非常之慢锋叨。
2.由于對(duì)于region proposal有一個(gè)歸一化操作垄分，過(guò)度拉伸會(huì)導(dǎo)致特征變形。
基于以上問(wèn)題娃磺，便有了接下來(lái)的精彩锋喜。
未完待續(xù)。。嘿般。
