6 通俗学AI：始入目标检测 _矩阵乘法

目录
前言
R-CNN流程
建议区域的选择
图片输入
网络训练
SVM分类
训练样本问题
检测框回归
非极值抑制
前言
今天我们换换口味，来看看目标检测方面的论文。目标检测的任务和目标分类很类似，但多了一个定位的活。往网络里塞一张图，网络告诉你这个图属于哪一类，那就是分类问题，如果它把图里的物体都找出来并框住，同时告诉你属于哪一类，这就是目标检测了。
今天我们要看的论文是目标检测的鼻祖文章《Richforand》，也就是我们常说的R-CNN 。这篇论文是包括了语义分割的内容的，但我们今天的主题是目标检测，所以我们就略过这部分内容，等以后讲语义分割再回来讲吧。
R-CNN流程
在我们现在已经有了一定目标分类的基础上，我们在初次面对目标检测任务时，可能会有这样一个想法：我们想办法找出目标在图上的位置，然后把这个位置的图片裁剪出来，塞进目标分类网络，不就行了吗。
R-CNN的大体思路就是这样。首先，R-CNN先使用了一个叫的算法，在原图上找到2000个候选的框框，框住那些算法认为是物体的内容。这样的区域就叫，也就是建议区域。当然这个算法选出的这些区域大多数都是不太靠谱的，不然也不会有2000多个。
图片来自论文
真正重要的是后面的卷积网络。在寻找到2000多个建议区域后，作者将他们塞到了一个卷积神经网络里进行计算，这里使用的是。这个网络我们之前讲过，在这里就发挥了作用，不记得的小伙伴可以回顾一下。
但是当时我们使用后是输入到里进行分类的，但R-CNN是使用很多个SVM进行分类。SVM是机器学习的内容，大家可以百度学习相关内容，这里不多赘述。
分类完后，我们就知道这些框框里物体的类别了，但刚才也说了，这些建议区域都不太靠谱，因此我们还要对这个框进行精细的调整，然后去除重复的框框才是最后的结果。
下面我们将对每一步进行详细的讲解。

文章插图
建议区域的选择
我们刚才说了，这一步使用的是叫的算法，这个算法是另外一篇论文的内容了，本篇论文里没有详说。我搜集了一些相关的资料，咋们简单地聊聊这个算法的流程。
首先这个算法分为两个内容，第一个内容是层次分组算法。说人话就是先用另外一篇论文里的方法得到一些初始区域。然后计算相邻区域之间两两的相似度，然后把这些相似度全部放到S这个容器里存着。随后在S中找到相似度最大的，将这两个区域合二为一，将与原来两个区域有关的相似度删掉，增加新区域与领域的相似度到S中，同时把新区域加到区域集合R中，然后不断重复这个过程。
第二个内容与上个内容的相似度计算有关（）。主要是根据颜色、纹理、重合度来进行计算，这里不多赘述。
因为R-CNN的实际效果（速度与精度）都比较原始，方法也不够优雅，所以我们只需要了解一些比较重要的技术就好，无需对每个东西都细究（比如这个算法），所以这一步看不懂可以略过，有兴趣可以找到这个算法的原文进行阅读。
图片输入
作者选择的卷积网络就是我们之前说的。我们记得的图片输入是固定的，但我们选出来的建议区域它不是固定大小的，那怎么办呢？这个作者就比较粗暴了，首先他给这个框周围几圈（论文里写的是16），然后把这张裁剪出来的新的图像，硬缩成网络要求的输入尺寸。
网络训练
解决了输入问题，这里还有另一个问题，就是我们可以使用的数据集不够大（没有当初参与目标分类比赛时那么多）。用一个小数据集去训练大容量网络很容易造成过拟合，所以我们的论文作者使用了一招惊天地泣鬼神的方法：先用大数据集预训练一遍，然后用小数据集微调一下。如果你有用过一些网上的代码来训练自己的数据集，一般都是加载人家给你准备好的预训练权重，然后再用自己的数据集训练一下，然后就会发现效果还不错。但如果你用自己的数据集直接重头训练，你会发现效果根本不能看。