目标检测系列 --- RCNN: Rich feature hierarchies for accurate object detection and semantic segmentation Tech report
1. Architecture:
- Region proposals: 使用selective search获取region proposals，对于每一幅图像获取约2000个region proposals，并将每一个proposal wrap到需要的size，论文中为224*224，之所以要wrap到同一size，是因为Feature extraction网络的输入需要固定的size
- Feature extraction: 使用AlexNet获取每一个region proposal的feature vector（4096维）。
- SVM: 对于每一个类别，使用SVM分类器对feature map进行打分，以判断当前region proposal是所对应的物体类别还是background。图像中的每个region都会给出对应的score，并对这些region使用贪心的非极大值抑制（non-maximum suppression）来获取具有较高IOU的region，如保留IOU大于threshold=0.3的region。
在Inference阶段，作者指出了两个关键属性：
- 对于每种类别，所有的CNN参数共享
- 和其他的方法相比，此模型的feature vector的维度相对较低
2. Training:
- pre-training: 在ILSVRC 2012的数据集上进行分类训练，feature map的输出为4096维，全连接层的输出为1000（1000类）。
- fine-tuning: 主要是对Architecture中的model进行稍微的改动。训练数据集为PASCAL VOC 2007，将最后一层全连接层的输出换成21（20类+背景）。并通过selective search得到的region proposal作为网络的输入。
- 物体类别分类器：对于一个二值的分类器，需要有包含正负标签的样本，本模型的方法是当region proposal的IOU大于threshold（比如：0.5）时，将其标记为positive，其余的为negative，以此来对每个类别训练一个linear SVM。