深度學習目標檢測：RCNN
什么是目標檢測？目標檢測主要是明確從圖中看到了什么物體？他們在什么位置，傳統的目標檢測方法一般分為三個階段：首先在給定的影像上選擇一些候選的區域，然后對這些區域提取特征，最后使用訓練的分類器進行分類，
1. 區域選擇
這一步是為了對目標進行定位，傳統方法是采用窮舉策略，由于目標可能在圖片上的任意位置，而且大小不定，因此使用滑動視窗的策略對整幅影像進行遍歷，而且需要設定不同的長寬，這種策略雖然可以檢測到所有可能出現的位置，但是時間復雜度太高，產生的冗余視窗太多，嚴重影響后續特征的提取和分類速度的性能，
2. 特征提取
提取特征的好壞會直接影響到分類的準確性，但又由于目標的形態多樣性，提取一個魯棒的特征并不是一個簡單的事，這個階段常用的特征有SIFT（尺度不變特征變換，Scale-invariant feature transform）和HOG（ 方向梯度直方圖特征，Histogram of Oriented Gradient）等，
3. 分類器
主要有SVM，Adaboost等綜上所述，傳統目標檢測存在兩個主要問題：一個是基于滑動視窗的區域選擇策略沒有針對性，時間復雜度高，視窗冗余；而是手工設計的特征對于多樣性沒有很好的魯棒性，
針對滑動視窗問題，region proposal（候選區域）是預先找出圖中目標可能出現的位置，這可以保證在選取較少視窗（幾千個甚至幾百個）的情況下保持較高的召回率，并且獲取的候選視窗要比滑動視窗的質量更高（滑動視窗固定長寬比），比較常用的region proposal演算法有selective search和edge boxes，針對特征選取，卷積神經網路(convolution neural network:CNN) 的特征比傳統手工特征效果更好，因此在2014年，RBG（Ross B.Girshick ）使用Region proposal+CNN（RCNN）代替傳統目標檢測使用的滑動視窗+手工設計特征，設計了RCNN框架，使得目標檢測取得巨大突破，并開啟了基于深度學習的目標檢測熱潮，
RCNN的檢測流程：
RCNN主要分為3個大部分，第一部分產生候選區域，第二部分對每個候選區域使用CNN提取長度固定的特征；第三個部分使用一系列的SVM進行分類，
下面就是RCNN的整體檢測流程：
（1）首先輸入一張自然影像;
（2）使用Selective Search提取大約2000個候選區域（proposal）;
（3）對每個候選區域的影像進行拉伸形變，使之成為固定大小的正方形影像，并將該影像輸入到CNN中提取特征;
（4）使用線性的SVM對提取的特征進行分類，
RCNN的檢測流程：
1.1 候選區域的產生
這里介紹的比較簡單，RCNN使用Selective Search演算法提取影像中的候選區域（因為我關注RCNN系列比較晚，直接應用的Faster RCNN，就沒有關注Selective Search演算法，這里也就不介紹了）
1.2 CNN特征提取
作者使用AlexNet對得到的候選區域的影像進行特征提取，最終生成的是一個4096維的特征向量，注意
AlexNet輸入的是227x227大小的影像，因此在輸入到AlexNet之前，作者把候選區域的影像首先進行了一小部分的邊緣擴展（16像素），然后進行了拉伸操作，使得輸入的候選區域影像滿足AlexNet的輸入要求（即227x227），
我在這里其實進行了一部分實驗，考慮怎樣使候選區域影像滿足AlexNet的輸入要求
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/293863.html
標籤：AI