带卷积神经网络的区域(R-CNN)是 Girshick 等人在 2013 年提出的。它从根本上改变了目标检测领域。通过利用selective search、CNN和 SVM，Girshick 等人在 VOC 2012 上取得了非常好的成绩。
这个故事将介绍R-CNN，而后面的系列将包括由 Girshick 和其他团队成员介绍的Fast R-CNN、Faster R-CNN和Mask R-CNN。此外，还有其他异议检测方法，如Single-Shot Object Detector (SSD)和You Only Look Once (YOLO)。
图像分类的目的是对整个图像的类别进行分类。另一方面，目标检测不仅包括分类，还包括定位，定位被 Girshick 等人视为回归问题..
本故事将讨论 R-CNN (Girshick 等人，2013 年)，并将涵盖以下内容:
- R-CNN 的体系结构
- 选择性搜索
- 特征抽出
- 分类
给定一幅图像，R-CNN 使用selective search生成大约 2000 个区域建议，通过使用卷积神经网络(CNN)来计算特征。区域建议是包括潜在对象的区域。它将被包装成 227 x 227 RGB 以适合 CNN。特征提取将在 CNN 层中完成，并传递给多个二元分类器，以计算出特定区域的类别。
R-CNN 的架构(Girshick 等人，2013 年)
选择性搜索的架构(Uijlings 等人，2012 年)
在 R-CNN 中，selective Search方法被用于发现用于分类的区域提议。selective Search可以捕捉任何可能的规模和更少的计算复杂度。从selective search中选择 2000 个区域。
selective search的设计考虑因素是:
- 捕捉所有尺度
- 多样化
- 快速计算
为了实现这一点，选择分层分组算法以自底向上的方式对那些相似的区域进行分组。用于计算相似性的特征包括颜色、纹理、区域大小、区域填充，
寻找区域建议是一种贪婪的搜索。这些程序是:
- 分段获取初始化区域
- 计算相邻区域的相似度
- 将相似区域分组到同一个桶中
- 来到同一个桶中最相似的区域。(重复此步骤)
分层分组算法(Uijlings 等人，2012 年)
计算不同的属性来寻找相似性。可能的属性可以是光强度、阴影、大小等。
多元化战略相似性公式(Uijlings 等人，2012 年)
选择 CNN 进行特征提取。如前所述，选择性搜索目标捕捉所有区域，这意味着有不同的规模和比例的图像。为了适合 CNN，所有区域都被包装成 227 x 227 RGB 图像。之后，通过 5 个卷积层和 2 个全连接层实现 4k 维特性。
每个区域由多个 SVM 二元分类器进行分类。通过应用贪婪的非最大值抑制，对于每个类，具有较高分数区域的高交集/并集(IoU)重叠将被拒绝。
- 使用
selective search来识别区域提议有一些缺点。耗时是主要问题之一。因为它需要非常大量的区域提议(~2k)，并且所有这些都必须贯穿 CNN 模型。一张图片大约需要 53 秒。 - 共 3 个模型，分别是 CNN 模型、SVM 分类模型和包围盒回归模型。分别训练 3 个型号是一个挑战。
我是湾区的数据科学家。专注于数据科学、人工智能，尤其是 NLP 和平台相关领域的最新发展。欢迎在 LinkedIn 上与 me 联系，或者在 Medium 或 Github 上关注我。
- R.吉希克、j .多纳休、t .达雷尔和 j .马利克。丰富的特征层次，用于精确的对象检测和语义分割。2013
- J.R.R. Uijlings，K.E.A. van de Sande，T. Gevers 和 A.W.M. 物体识别的选择性搜索。2012