深度学习物体检测（一）——RCNN

物体检测和图片分类有什么区别呢？

图片分类不需要定位；物体检测需要定位出物体的位置，并且要把图片中所有物体都识别定位出来。

RCNN(Region-based Convolutional Neural Networks) 是用深度学习进行物体检测的开山之作。

RCNN算法分为4个步骤：

1、一张图片生成2000个左右候选区域；

2、用深度神经网络提取每个区域的特征；

3、将特征送入每一个分类的SVM分类器，判断是不是属于该类；

4、微调候选区域的位置，使得候选框进一步接近物体的bounding box；

比较经典的流程图片如下：

候选区域生成阶段：

使用selective search方法从一张图片生成2000个左右候选区域，基本思想是：

首先将图片分成小的区域；然后根据颜色、纹理、面积等因素两两合并可能性最高的相邻区域，重复此合并过程，直到只有一个区域为止；最后输出所有曾经存在过的区域，即为候选区域。

在此区域合并过程中，按大牛的理论，需要注意两点，一个是保证合并尺度均匀，比如说有区域a-b-c-d，建议合并方式a-b-c-d->ab-cd->abcd，不建议ab-c-d>abc-d->abcd；另一个是合并后的图像尽量规整平滑，而不要奇形怪状、坑坑洼洼的。

特征提取阶段：

第一步，预处理图片区域，以alexnet网络为例，将生成的候选区域归一化为 227 X 227。归一化的过程中会缩放（crop或者wrap）图片，主要由有各向同性和各向异性缩放两种方式，经大牛测试发现，采用各向异性缩放且padding=16时识别精度最高。

第二步：有监督预训练，例如在ILSVRC 2012的大数据集上进行分类训练（此处也可直接使用网上大牛训练好的alexnet网络代替）。

第三步：fine-tuning，例如在PASCAL VOC2007的小数据集上进行fine-tuning经第二步训练后的网络，

类别判断阶段：

对每一类目标，训练一个SVM二分类器，分类训练的输入为网络输出的4096维特征，输出为是否此类。

此处由于正样本数量远远小于负样本数量，建议使用hard negative mining方法。

候选框微调阶段：

对检测出的每一个物体均进行边缘检测并微调得到精确的物体位置。

RCNN在2014年将PASCAL VOC上的检测率从传统检测的35.1%提升到深度学习53.7%。不可谓不NB。

一句话总结RCNN整个流程：

先将候选区域通过selective search检测出来(2000个左右)，然后根据cnn提取的每一个候选区域特征送入svm进行分类，得到一个物体类别和边框，最后利用边缘检测微调得到具体的物体位置。