一、相关理论
 
主要是讲解2014年CVPR上的经典paper：《Richfeature hierarchies for Accurate Object Detection and Segmentation 》，这篇论文的算法思想又被称之为：R-CNN（Regions with Convolutional NeuralNetwork Features）
这篇paper的思想，改变了物体检测的总思路，现在好多文献关于深度学习的物体检测的算法，基本上都是继承了这个思想，所以学习经典算法，有助于我们以后学习物体检测的其它paper。
deep learning中，物体检测和图片分类的区别：图片分类不需要定位，而物体检测需要定位出物体的位置，也就是相当于把物体的bbox检测出来，还有一点物体检测是要把所有图片中的物体都识别定位出来。
 
二、基础知识

1、IoU

物体检测中需要定位出物体的bounding box，就像下面的图片一样，我们不仅需要定位出车辆的boundingbox，还要识别出bounding box里面的物体就是车辆。对于bounding box的定位精度，有个很重要的概念，因为我们算法不可能百分百跟人工标注的数据完全匹配，因此就存在一个定位精度评价公式：IOU

IOU定义了两个bounding box的重叠度 上图中，矩形框 A、B的一个重合度IOU的计算公式为

2、非极大值抑制

RCNN算法需要在一张图片中找到n多个可能是物体的矩形框，然后为每个矩形框做分类概率

  就像上面的图片一样，定位一个车辆，最后算法就找出了一堆的方框，我们需要判别哪些矩形框是没用的。非极大值抑制：先假设有6个矩形框，根据分类器类别分类概率做排序，从小到大分别属于车辆的概率分别为 A、B、C、D、E、F
（1）  从最大概率矩形框F开始，分别判断A~E与F的重叠度IOU是否大于某个设定的阈值；
（2）  假设B、D与F的重叠度超过阈值，那么就扔掉B、D；并标记第一个矩形框F，是我们保留下来的
（3）  从剩下的矩形框A、C、E中，选择概率最大的E，然后判断E与A、C的重叠度，重叠度大于一定的阈值，那么就扔掉；并标记E是我们保留下来的第二个矩形框
就这样一直重复，找到所有被保留下来的矩形框
 
3、VOC物体检测任务
 
       相当于一个竞赛，里面包含了20个物体类别
 
三、算法总体思路
 
       开始讲解paper前，我们需要先把握总体思路，才容易理解paper的算法。
图片分类与物体检测不同，物体检测需要定位出物体的位置，这种就相当于回归问题，求解一个包含物体的方框。而图片分类其实是逻辑回归。这种方法对于单物体检测还不错，但是对于多物体检测就……

因此paper采用的方法是：首先输入一张图片，我们先定位出2000个物体候选框，然后采用CNN提取每个候选框中图片的特征向量，特征向量的维度为4096维，接着采用svm算法对各个候选框中的物体进行分类识别。也就是总个过程分为三个程序：
a、找出候选框；
b、利用CNN提取特征向量；
c、利用SVM进行特征向量分类。
具体的流程如下图片所

下面根据这三个过程，进行每个步骤的详细讲解
 
四、候选框搜索阶段
 
当我们输入一张图片的时，我们要搜索出所有可能是物体的区域，这个采用的方法是传统文献中的算法《search for object recognition 》，通过这个算法可以搜索出2000个候选框。而从上面流程图中可以看出搜索出的候选框是矩形的，而且是大小各不相同。然而CNN对输入图片的大小是有固定的，如果把搜索到的矩形选框不做处理，就扔进CNN中，肯定是不行。因此对于每个输入的候选框都需要缩放到固定的大小。下面是如何进行缩放处理，为了简单起见，假设下一阶段CNN所需要输入图片大小是个正方形图片227*227。因为经过selective search 得到的是矩形框，paper实验了两种不同的处理方法：

（1）  各向异性缩放
这种方法很简单，就是不管图片的长宽比例，不管是否扭曲，进行缩放就是了，全部缩放到CNN的输入的大小 227*227，如下图（D）所示

（2）  各向同性缩放
因为图片扭曲后，估计会对后续CNN的训练精度有影响，于是作者也测试了“各向同性缩放”方案。两种方法
        A、直接在原始图片中，把bounding box的边界进行扩展延伸成正方形，然后再进行裁剪；如果已经延伸到了原始图片的外边界，那么就用bounding box中的颜色均值填充；如下图（B）
        B、先把bounding box 图片裁剪出来，然后用固定的背景颜色填充成正方形图片（背景颜色也是采用bounding box的像素颜色均值），如下图（C）

对于上面的异性、同性缩放，文献还有个padding 处理，上面的示意图中第1、3行就是结合了padding=0,第2、4行结果图采用padding=16的结果。经过最后的试验，作者发现采用各向异性缩放、padding=16的精度最高，具体不再啰嗦。

OK，上面处理完后，可以得到指定大小的图片，因为我们后面还要继续用这2000个候选框图片，继续训练CNN、SVM。然而人工标注的数据一张图片中就只标注了正确的bounding box，我们搜索出来的2000个矩形框也不可能会出现一个与人工标注完全匹配的候选框。因此我们需要用IOU为2000个boundingbox打标签，以便下一步CNN训练使用。在CNN阶段，如果用selective search挑选出来的候选框与物体的人工标注矩形框的重叠区域IoU大于0.5，那么我们就把这个候选框标注成物体类别，否则我们就把它当做背景类别。SVM阶段的正负样本标签问题，等到了svm讲解阶段我再具体讲解。
 
五、CNN特征提取阶段
 
1、网络结构设计阶段
 
       网络架构我们有两个可选方案：第一选择经典的Alexnet；第二选择VGG16。经过测试Alexnet精度为58.5%，VGG16精度为66%。VGG这个模型的特点是选择比较小的卷积核、选择较小的跨步，这个网络的精度高，不过计算量是Alexnet的7倍。后面为了简单起见，我们就直接选用Alexnet，并进行讲解；Alexnet特征提取部分包含了5个卷积层、2个全连接层，在Alexnet中p5层神经元个数为9216、 f6、f7的神经元个数都是4096，通过这个网络训练完毕后，最后提取特征每个输入候选框图片都能得到一个4096维的特征向量
 
2、网络有监督预训练阶段
 
参数初始化部分：物体检测的一个难点在于，物体标签训练数据少，如果要直接采用随机初始化CNN参数的方法，那么目前的训练数据量是远远不够的。这种情况下，最好的是采用某些方法，把参数初始化了，然后在进行有监督的参数微调，这边文献采用的是有监督的预训练。所以paper在设计网络结构的时候，是直接用Alexnet的网络，然后连参数也是直接采用它的参数，作为初始的参数值，然后再fine-tuning训练。
网络优化求解：采用随机梯度下降法，学习速率大小为0.001；
 
3、fine-tune 阶段
       我们接着采用selective search 搜索出来的候选框，然后处理到指定大小图片，继续对上面预训练的CNN模型的最后一层给替换掉，替换成N+1个输出的神经元（加1，表示还有一个背景），然后这一层直接采用参数随机初始化的方法，其它网络层的参数不变；接着就可以开始继续SGD训练了。开始的时候，SGD学习率选择0.001，在每次训练的时候，我们batch size大小选择128，其中32个是正样本，96个负样本
 
4、问题解答
 
看完上面的CNN过程后，会有些疑问。

问题一、

首先，反正CNN都是用于特征提取，那么我直接用AlexNet 做特征提取，省去fine-tune阶段可以吗？这个是可以的，可以不需重新训练CNN，直接采用AlexNet模型，提取出p5或者f6、f7的特征，作为特征向量，然后进行训练SVM，只不过这样精度会比较低。那么问题来了，没有fine-tune的时候，要选择哪一层特征做CNN提取到的特征呢？可以选择p5、f6、f7，这三层的神经元个数分别是9216、4096、4096。从p5到f6的参数个数是： 4096*9216 ，从f6到f7的参数是4096*4096。那么具体是选择p5、还是f6，又或者是f7呢？

文献paper给我们证明了一个理论，如果你不进行fine-tuning，也就是你直接把AlexNet模型当作万金油使用，类似于HOG、SIFT一样做特征提取，不针对特定的任务。然后把提取的特征用于分类，结果发现p5的精度竟然跟f6、f7差不多，而且f6提取到的特征还比f7的精度略高；如果你进行fine-tuning了，那么f7、f6的提取到的特征最会训练的SVM分类器的精度就会飙涨。

据此我们明白了一个道理，如果不针对特定任务进行fine-tuning，而是把CNN当作特征提取器，卷积层所学到的特征其实就是基础的共享特征提取层，就类似于SIFT算法一样，可以用于提取各种图片的特征，而f6、f7所学习到的特征是用于针对特定任务的特征。打个比方：对于人脸性别识别来说，一个CNN模型前面的卷积层所学习到的特征就类似于学习人脸共性特征，然后全连接层所学习的特征就是针对性别分类的特征了。
 
问题二
还有另外一个疑问：CNN训练的时候，本来就是对bounding box的物体进行识别分类训练，是一个端到端的任务，在训练的时候最后一层softmax就是分类层，那么为什么作者闲着没事干要先用CNN做特征提取（提取fc7层数据），然后再把提取的特征用于训练svm分类器？这个是因为svm训练和cnn训练过程的正负样本定义方式各有不同，导致最后采用CNN softmax输出比采用svm精度还低。
 
事情是这样的，cnn在训练的时候，对训练数据做了比较宽松的标注，比如一个bounding box可能只包含物体的一部分，那么我也把它标注为正样本，用于训练cnn；采用这个方法的主要原因在于因为CNN容易过拟合，所以需要大量的训练数据，所以在CNN训练阶段我们是对Bounding box的位置限制条件限制的比较松(IOU只要大于0.5都被标注为正样本了)；
 
然而svm训练的时候，因为svm适用于少样本训练，所以对于训练样本数据的IOU要求比较严格，我们只有当bounding box把整个物体都包含进去了，我们才把它标注为物体类别，然后训练svm，具体请看下文。
 
六、SVM训练、测试阶段
 
这是一个二分类问题，我么假设我们要检测车辆。我们知道只有当bounding box把整辆车都包含在内，那才叫正样本；如果boundingbox 没有包含到车辆，那么我们就可以把它当作负样本。但问题是当我们的检测窗口只有部分包好物体，那该怎么定义正负样本呢？作者测试了IOU阈值各种方案数值0,0.1,0.2,0.3,0.4,0.5。最后我们通过训练发现，如果选择IOU阈值为0.3效果最好（选择为0精度下降了4个百分点，选择0.5精度下降了5个百分点）,即当重叠度小于0.3的时候，我们就把它标注为负样本。一旦CNN f7层特征被提取出来，那么我们将为每个物体训练一个svm分类器。当我们用CNN提取2000个候选框，可以得到2000*4096这样的特征向量矩阵，然后我们只需要把这样的一个矩阵与svm权值矩阵4096*N点乘(N为分类类别数目，因为我们训练的N个svm，每个svm包好了4096个W)，就可以得到结果了。
 
个人总结：学习这篇文献最大的意义在于作者把自己的试验过程都讲的很清楚，可以让我们学到不少的调参经验，真的是很佩服作者背后的思考。因为文献很长、细节非常之多，本人也对物体检测不感兴趣，只是随便看看文献、学学算法罢了，所以很多细节没有细看，比如7.3 bounding box的回归过程；最后看这篇文献好累、十几页，细节一大堆，包含作者各种实验、思考……
 
 
参考文献：
 
1、《Rich featurehierarchies for Accurate Object Detection and Segmentation》
 
2、《Spatial Pyramid Pooling in DeepConvolutional Networks for Visual Recognition》