任务

采用卷积神经网络对目标物体进行分类和定位。

实现步骤

（1）输入图片。
（2）在原图片上提取两千左右的候选区域。
（3）对于每个候选区域采用卷积神经网络计算特征。
（4）对于每个候选区采用SVM进行分类。对于每个类都提供一个SVM分类器。

目标检测系统概述

聚焦的问题

一、如何利用深度网络进行目标定位？
二、如何在标注数据集较少的情况下，训练一个参数较多的模型？

解决方法

一、将定位看成一个回归问题，通过边界框回归来减少误定位。
二、解决方法是对模型进行预训练，之后对训练好的模型进行微调，作者通过微调，使模型准确率提高8个百分点。

实现细节

候选区域提取：采用selective search方法对每张图片提取2000左右的候选区域。
特征提取：通过AlexNet的卷积网络对图片进行特征提取，得到4096维的向量，由于输入的图片大小要是227x227。所以作者对图片大小进行调整以适应卷积网络的输入大小。

使用了5个卷积层和2个全连接层
预训练：作者直接将AlexNet训练好的前5层卷积层和2层全连接层参数作为现有参数。
特定区域进行微调：将上图最后Softmax1000维的分类随机初始化维21维。因为所需分类的数量为20，还有一个背景类。将候选区域与真实框(人工标注)的交并比(IoU)大于0.5的作为正样本，其余作为负样本。对于每一个随机梯度下降（SGD），选取32个正样本，96个负样本进行迭代。由于有2000个候选区域，每个区域的维度是4096维，所以特征矩阵的大小为2000x4096。SVM的权重矩阵大小为4096xN，N为类别数量，由于上面说过有21个类别，所以SVM的权重矩阵为4096x21。
目标类别分类：由于每个类别都提供一个SVM分类器，所以对于例如车分类器，图像中要不有车，要不没车。作者将IoU的阈值设定为0.3。使用hard negative mining method策略，即将分类错误的样本不断放回去训练。类似于你高中时的错题本。
非极大值抑制：由于RCNN会从一张图片中找出n个可能是物体的矩形框，然后为每个矩形框为做类别分类概率。 一张图片有多个矩形区域
比如A框包括了B框，A∩B=B，AUB=A。则A∩B/AUB=B/A。当IoU的值超过阈值时，可以将B框删除，这样可以减少很多不必要的矩形框。

边界框回归实现定位：正样本的定义为与真实框相交IoU最大的候选区域，并且IoU>0.6的候选区域。黄色框口P表示建议框Region Proposal，绿色窗口G表示实际框Ground Truth，红色窗口G^表示Region Proposal进行回归后的预测窗口，现在的目标是找到P到G'的线性变换，使得G'与G越相近，这就相当于一个简单的可以用最小二乘法解决的线性回归问题。

定位问题
定位回归实现

存在的缺点

作者提到花费在region propasals和提取特征的时间是13s/张-GPU和53s/张-CPU，可以看出时间还是很长的，不能够达到及时性。
对于每张图片显示提取2000个候选区域在对候选区域做卷积运算，存在许多冗余运算，浪费时间和计算资源，这在Fast-RCNN中将会得到解决。

参考文章：https://zhuanlan.zhihu.com/p/23006190
https://blog.csdn.net/WoPawn/article/details/52133338