[PaperNotes]Object Detectors Eme

论文题目是Object detectors emerge in deep scene CNNs，是Bolei Zhou在读博期间发表在ICLR15上的文章：

image.png

文章的发现/要解决的问题

从题目猜，说的是这么个事情：别看我训练的CNN是用于scene classification的，这个CNN其实很厉害的，还能用于object detection，因为它能提供location信息（尽管学习的过程中没有显式地给出bbox-level的监督信息）。

相关工作

ImageNet上的分类任务很成功，典型例子是AlexNet；其实呢，Scene classification问题比图像分类问题可能更加泛化，讲究的是图像中包含的多个物体（以及背景区域？）的整体所代表的“场景”，而不是单个物体，而用AlexNet这样的分类CNN发现也能取得不错的效果。也就是说，这个卷积网啊，在ImageNet和Places这两个数据集上，都好用诶。

但是呢，毕竟一个是图像分类，一个是场景分类，其实还是有所差别。怎么体现这个差别呢？就从不同深度层上能产生最大activation的那些图片来对比吧，可以认为这些图片表达了ImageNet-CNN和Places-CNN对哪种类型图片的“喜好”：在靠前的层上大家喜好相同，但是靠后的层上则“分道扬镳”：

image.png

提出的创新/方法

使用Places-CNN来做探究（因为它是做场景分类）。创新方法包括两个。一个是探究“网络学习到的特征表达的本质”，另一个是“。”

探究网络学习到的特征表达的本质

简化输入图像

当网络能正确的对图片执行场景分类，那么我们考虑去掉图片中一些不重要的东西，也就是用尽可能少的东西来组成一个场景。这样的简化后的图，俗称minimal image representation.举个栗子：场景类别为“卧室”的，最简图像表达中通常包含床的区域；场景类别为“画廊”的，最简图像表达中的图像区域是墙壁上的画。我的理解：图像上不同物体区域，对于场景分类得分的贡献度是不同的。以bedroom, auditorium, art gallery, and dining room为例，原图和最简图像如下：

image.png

可视化有效感受野和activation pattern

首先是给出了一个实际中有效感受野的计算方法，分3步：

image.png

image.png

-3.

image.png

根据上述empirical RF的计算方法，得到的RF如下：

image.png

基于这个empirical RF，可以做分割：

image.png

（Bolei的文章给我的感觉是insight很充足，我觉得展开来的话这一节可能就可以写一篇顶会文章了。。）

找出内部unit的语义

这一小节的目的是理解和量化每个unit学出来的、准确的语义信息。

具体使用了6种semantics来量化CNN的不同深度层上的信息。结果如下：

image.png
很容易看出来，靠后的网路层对于object的信息是很丰富的，并且呈现很好的正相关性。其他的semantics就不理会好了，反正呢，都不如object这种语义信息好。所以说，场景分类任务下的CNN孕育了目标检测器。

EMERGENCE OF OBJECTS AS THE INTERNAL REPRESENTATION

这部分没有细看，主要是基于前一节的结论，探究具体每个类别的object语义信息最丰富等，属于follow-up的探究。反正，就是一些验证性的想法和实验了，佐证了场景分类任务CNN孕育目标检测器这个idea。