object detection学习

现在有google的Inception V、ImageNet等基于深度学习的物体检测网络，并且效果非常好。

但很多思想都来源于2014年的一片文章：Rich feature hierarchies for accurate object detection and semantic segmentation

这篇文章是第一次CNN用在图像检测上并给出大量的实验结果。

文章地址：http://xueshu.baidu.com/s?wd=paperuri%3A%28f818e23d213da893fc890f5d96ef4cb3%29&filter=sc_long_sign&tn=SE_xueshusource_2kduw22v&sc_vurl=http%3A%2F%2Fwww.arxiv.org%2Fpdf%2F1311.2524.pdf&ie=utf-8&sc_us=7755102487057457737

这篇文章解决的是在有较少量的训练数据集的时候的物体检测。

两个博客：http://blog.csdn.net/u011534057/article/details/51240387

与http://blog.csdn.net/u011534057/article/details/51218218

论文中模型的理解：

1、首先根据数据集ImageNet ILSVC 2012训练一个CNN的分类模型，模型的output为1000维。

（这个数据集是一个类别数据库，即一张图片对应一个类别，共1000个类别，这个数据集是当作迁移学习用的）

网络的最后两层为4096*1000维。

2、采用数据集PASCAL VOC 2007，这个数据集不是一一对应的类别关系，这个数据集是为物体检测服务的。

数据集中每张图片中人为用框框出来某一类别的图片，并进行标注，如一个图片中可能有狗，自行车，人等。

这个数据集中目前总共包括20个类别，共10000张图片（相对来讲数据量挺大的了，平均每一个类别500张）。

训练过程：

（1）把第一步中训练得到的网络的最后一层换成4096*21维（20类+1背景）；

（2）对pascal vol 2007数据集中的每张图片p1，采用selective search算法生成2000张左右可能包括物体的图，

这些图片进行一些变换后变成固定的维度；

（3）针对这2000张的每一张，如果与p1中标注过的框（如框住狗的框）的重合度超过0.5，

那么把它当作正样本（即维度为21的output结果的y对应类别位置设为1），否则当作负样本（第21维背景位置设为1）；

（4）利用上面生成的这些样本进行训练（或者说调优fine-tunning）。由于负样本很多，影响训练速度，

因此采用较为苛刻的做法选择负样本，如果这个负样本与所有标注过的框框交叉少于0.3才作为负样本；

测试过程：

（1）对于这20个类别，针对每个类别构造二分类的SVM分类器，分类器的输出为是否这个类，

这个SVM分类器的训练数据不是单纯的为上述的正样本与负样本对应的CNN特征，

而是把整个物体都包括进来的框才能作为正样本对应的特征。为什么CNN采用简单的0.5正样本而SVM采用严格正样本呢？

这是因为CNN需要大量的数据训练，在数据量较少时容易发生过拟合，因此要求比较松，对CNN鲁棒性也好，

而SVM适用于小量样本，因此SVM使用严格正样本。

至于负样本，则采用交叉少于0.3（IOU为0.3）的样本作为负样本。

（2）针对一个新图片，由selective search得到2000个左右的框图后，将其输入到每一个SVM中判断此图为某一物体

还是背景。2000个框图对应的特征矩阵为2000*4096，而N个分类器的参数为4096*N（每个分类器对应4096个参数），

将2000*4094的矩阵乘以4096*N的矩阵，得到的矩阵为2000*N的矩阵，最后的结果需要分析这个矩阵。

（3）2000*N的矩阵的每一行可以表示为：这2000个框图类别Ni的概率。针对这些概率，

采用非极大值抑制（NMS）算法去掉没用的矩阵，保留最可能的矩阵。

（4）在得到了最可能的矩阵后，我们并不能说框中的图像就是我们所要的图形，因为这些图形只是用selective search得到的，

因此我们需要一个精修的过程。

框图精修的过程可以理解为一个线性变换，即一个框在经过平移、缩放后与目标图形的框相符合。

因此，这里对于一个框，需要找到一组线性变换的四个参数，来对框进行线性变换。

这四个参数我们通过回归模型来得到，同样需要用到上面提到的正样本。

对于上面的正样本，由我们能计算得到他们与真正的框的线性变换参数，因此我们可以用属于同一类别的这些正样本，

进行梯度下降算法或者最小二乘法，得到框与线性变换参数的对应关系，即输入一个框，得到一组参数。

如果用梯度下降算法来回归的话，那么输入为正样本框的位置参数，输出为线性变换参数。

因此，对（3）得到的最可能的矩阵，输入上面的回归模型，得到线性变换参数，即可得到真正的物体框。

关于Bounding-Box regression的一个博客：http://blog.csdn.net/u011534057/article/details/51235964

关于整个过程一个非常详细的博客：http://blog.csdn.net/u011534057/article/details/51218250

——————————————————————————————————————————————

关于这篇文章的一个博客：https://zhuanlan.zhihu.com/p/22287237?refer=startdl

针对第一步的候选区域提取，作者采用的是这篇文章的思想：Selective Search for Object Recognition

这篇文章地址：https://www.koen.me/research/pub/uijlings-ijcv2013-draft.pdf

这篇文章内容太多了。。。

关于这篇文章的一个博客：http://blog.csdn.net/mao_kun/article/details/50576003

这篇文章的思想主要是：

首先利用文章Efficient Graph-Based Image Segmentation的算法将图片分成不相交的多个部分，

然后根据这些不相交的部分的相似度，构造类似于霍夫曼树的结构，在构建完成后，

树中的每一个节点都将作为一个生成的结果图片用于判别。

tips：这里在构建树的过程中，需要计算节点之间的相似性，节点相似性的计算包括了多个方面：

如颜色直方图、纹理相似性、大小相似性等。

其中纹理相似性的计算用到了SIFT算法，关于SIFT算法的一个很好的博客：

http://blog.csdn.net/zddblog/article/details/7521424

——————————————————————————————————————————————

关于文章Efficient Graph-Based Image Segmentation。

这篇文章是将图片中的像素与像素之间的关系作为一个Graph来处理。采用迭代算法，

依次将距离接近的像素归类到一个图像块中。

关于这篇文章一个很好的博客：http://blog.csdn.net/surgewong/article/details/39008861

——————————————————————————————————————————————