Scalable Object Detection using Deep Neural Networks笔记

解决的问题：

将深度网络应用到多object，并且object未知的情况。

整体思路：

用CNN（DNN（AlexNet））预测一系列的bounding box，每一个bounding box都会有对应的一个分数，这个分数就是box里有没有物体的置信度。

创新点：

本文主打的就是scalable，可扩展性，具体是指物体类别增多的情况下，bounding box的数目不会成线性增加。这样就很容易扩展到其他更大的数据集上。

怎么做：

作者采用“定位”+“识别”两步走的方法。先用CNN对图中预测出可能的bounding box并打分（此时并不知道每个box中具体是什么？每个box的置信度只代表了box包含物体的可能性大小），接着再利用CNN分类器对每个box进行识别（分类）。

可以理解为：

第一步：将基础网络（作者采用AlexNet）改为回归网络，对图像做region proposal。

第二步：将得到的region proposal 进行分类，也就是识别。

延伸：Faster RCNN的思想也是如此，其RPN就是做region proposal ，然后利用Fast RCNN进行分类。

CNN的回归模型：

• Model：将AlexNet的输出层修改为回归，其实就是输出包含K个bounding box的坐标（左上和右下）和这K个box对应的置信度。
• Loss Function:min{预bbox和真实bbox的匹配误差（平方误差） - 预测bbox 的置信度（条件熵）}

其中，，

            

        

• Optimization（优化）：BP
• 训练细节：prior，将先验知识应用到匹配过程中。具体来书，将训练样本中的Ground Truth进行聚类，得到物体的几个典型位置，利用他们来进行辅助匹配。这样学习算法就可以只要学习每个prior box的和Ground Truth的残差即可。

    延伸：这个prior也就是SSD（Single Shot Multibox Detector）的思想的来源之一，另外论文的总结部分就是想要做个SSD出来啊。将两个步骤（定位网络和分类网络）合二为一  不就成了SSD了吗！

                                                               

由于这是一篇2014年的CVPR，实验部分就不贴出来了。

重读这篇文章的目的也在于更好的理解SSD算法。

这样读下来，这篇文章可以看成Faster RCNN和SSD的思想来源！Faster中的Anchor也是类似于prior的存在，只是使用的方法不同。这也能理解Faster为什么给出{1：1，1：2，2：1}的比例出来的原因之一是不是也对Ground Truth进行了聚类等操作。SSD中的aspect ratio也是{1，2，3，1/2，1/3}也有异曲同工之妙。