RCNN_cnn卷积神经网络

RCNN（Regions with CNN features）是RGB在2014年提出的一种目标检测算法，RCNN是将CNN方法应用道目标检测问题上的一个里程碑，借助CNN良好的特征提取和分类性能，通过RegionProposal方法实现目标检测。

前面我们提到的滑动窗口法可以得到目标所在区域，但会产生大量的计算。除了滑动窗口法之外还有另外一类基于区域（regionProposal）的方法，select search就是其中之一。

selective search

step1 计算区域集R里每个相邻区域的相似度s = {s1，s2，。。。}

step2 找出相似度最高的两个区域，将其合并为新集Rt，添加进R

step3 从S中移除所有与step2中有关的子集

step4 重新计算新集Rt与所有子集的相似度

这里相似度主要考虑颜色，纹理，chicun，交叠四个方面

算法流程：

1）选择1个分类模型（比如AlexNet，VGGNet等）

2）去掉最后一个全连接层（主要要改变分类数）

　　将分类数改为N（该目标分类）+1（背景）对于ILSVRC2013，分类数为200

　　对该模型做fine-turning（主要是优化卷积层和池化层的参数）也包括BN操作中的缩放因子γ和偏置因子β

3）论文中用（vgg16）到的网络pool5后面是一层fc6全连接层。

对每个候选区域进行特征提取：

Resize区域大小，然后做一次前向运算，将第5个池化层输出保存到硬盘

 4）训练阶段：

　　使用pool5输出的图像特征训练svm分类器（二分类）来判断这个候选框里面的物体类别。

　　测试阶段：

　　每个类别对应一个svm，判断是不是属于这个类别，下面是svm

 5）训练阶段：

　　使用pool5输出的图像特征训练回归器（dx，dy，dw，dh）

 　　dx表示水平平移，dy表示垂直平移，dw表示水平缩放，dh表示高度缩放

　　如何判断候选区域为好的框，计算候选框与真实框之间的IoU，当Iou大于一定阈值，则为真

　　测试阶段使用回归器调整候选框大小。

今天的文章RCNN_cnn卷积神经网络分享到此就结束了，感谢您的阅读，如果确实帮到您，您可以动动手指转发给其他人。