第三十九周学习笔记

第三十九周学习笔记

RCNN论文阅读笔记

原文：Rich feature hierarchies for accurate object detection and semantic segmentation
时间：2014年

文章解决了什么问题

目标检测发展停滞，通过复杂的ensemble模型才能勉强提高一些精度

用了什么方法

两个 insights

• 在bottom-up region proposals中应用卷积神经网络（AlexNet）
• 提出当标签数据少的时候训练神经网络的模式——“supervised pre-training/domain-specific fine-tuning”

三个模块

• category-independent的region proposals
• 提取特征的 large convolutional neural network，在ImageNet上pre-train，然后在目标检测数据集上fine-tune
• 对每个类的SVM二分类器
  

效果如何

• 在VOC 2010 test上将mAP提升到了53.7%，在VOC 2013上mAP为31.4%，第二OverFeat是24.3%
• 快 13s/image on a GPU 53s/image on a CPU
• 内存占用小，用CNN提取4096维特征，占用的内存小

存在什么不足

?

其他

一些名词

• PASCAL VOC dataset
• DPM
• bounding box regression
• selective search
• hard negative mining method

为什么不直接使用fine-tune之后的CNN来进行分类？

作者做了这样的实验，在VOC2007上mAP从54.2%降低到了41.3%，作者推测可能因为fine-tune时给的数据的定位可能没有做的很好

本周小结

• 论文阅读完成
• opencv3到75%完成

下周任务

• 论文阅读
• 继续学习opencv3上册到100%