论文标题

Rich feature hierarchies for accurate object detection and semantic segmentation

用于精确目标检测和语义分割的丰富特征层次结构

论文下载

Rich feature hierarchies for accurate object detection and semantic segmentation论文下载

论文作者

Ross Girshick, Jeff Donahue, Trevor Darrell, Jitendra Malik - UC Berkeley

内容简介

该论文提出了一种创新的对象检测算法R-CNN，通过整合深度学习中的卷积神经网络（CNNs）与计算机视觉中的区域提议方法，显著提升了对象检测的准确性。R-CNN在PASCAL VOC 2012数据集上实现了53.3%的平均精度（mAP），相较于之前的最佳结果提升了30%以上。此外，论文还探讨了在标记数据有限的情况下，如何通过监督预训练和领域特定的微调来训练大型CNN模型，这对于数据稀缺的视觉任务具有重要意义。

方法详细说明

区域提议（Region Proposals）：

• 目的：在输入图像中生成可能包含目标的区域提议。
• 方法：使用Selective Search算法，它能够在“快速模式”下为每张测试图像生成约2000个区域提议。
• 效果：这些提议覆盖了图像中的目标，并且与类别无关，为后续的特征提取和分类提供了候选区域。

特征提取（Feature Extraction）：

• 目的：从每个区域提议中提取能够代表该区域的特征向量。
• 方法：利用CNN模型，特别是Krizhevsky等人提出的架构，通过五个卷积层和两个全连接层来提取4096维的特征向量。
• 预处理：将区域提议转换为CNN所需的固定大小（227×227像素）的输入，通过仿射变换和图像均值填充来适应网络结构。

分类（Classification）：

• 目的：对提取的特征向量进行分类，以确定区域提议中的目标类别。
• 方法：使用类别特定的线性SVM对每个特征向量进行评分，独立地对每个类别应用非极大值抑制（NMS）以选择最佳的区域。

监督预训练和领域特定微调（Supervised Pre-training and Domain-specific Fine-tuning）：

• 目的：在标记数据稀缺的情况下，有效地训练大型CNN模型。
• 方法：首先在大型辅助数据集（如ILSVRC）上进行监督预训练，然后在目标数据集（如PASCAL）上进行微调。
• 效果：微调提高了mAP性能8个百分点，显示出该范式在数据稀缺情况下的有效性。

边界框回归（Bounding-box Regression）：

• 目的：减少定位误差，提高检测的精确度。
• 方法：在SVM评分后，使用线性回归模型预测新的检测窗口，以调整区域提议的边界框。
• 效果：这一方法显著提高了mAP，增加了3到4个百分点。

语义分割（Semantic Segmentation）：

• 目的：将R-CNN应用于图像的像素级分类，实现语义分割。
• 方法：通过区域分类方法，将R-CNN扩展到语义分割任务，在PASCAL VOC分割任务上取得了47.9%的平均分割准确率。

结论

R-CNN通过结合深度学习和传统计算机视觉技术，在对象检测和语义分割任务上取得了突破性进展。这种方法不仅提高了检测精度，还为解决数据稀缺的视觉任务提供了新的思路。论文的成果表明，深度学习和传统计算机视觉技术的结合是未来视觉识别任务研究的重要方向。

 深度学习必读论文合集：

深度学习论文合集

希望这些论文能帮到你！如果觉得有用，记得点赞关注哦~ 后续还会更新更多论文合集！！