一、主要思想

             本文的主要思想首先采用Selective Search for Object Recognition论文的方法对每张图像分块得到多个个Region proposals，然后对每个Region proposal提取CNN特征，在采用线性svm进行分类，在VOC2012上面达到了 53.3%的mAP。

二、Object detection with R-CNN

    1、模型框架

     （1）获取Region proposals

                 采用Selective Search for Object Recognition论文的方法的快速模式获得。

     （2）特征提取

         采用开源代码caffe（他们是一个研究机构的）提取CNN特征，采用warp的方式把所有图像resize到227*227,因为caffe的输入图像的尺寸是固定的。

     （3）分类器

         采用线性SVM建立二分分类器。

     2、训练

      （1）监督的方式的预训练

          采用caffe程序在ILSVRC 2012进行预训练，这个可以学习到大规模的数据集的基本特征，将这些参数作为调优的初始画参数，已解决深度学习中针对特征任务数据量小的问题。

      （2）针对特定任务的调优

         用Region proposals作为训练集，把和ground-truth box的IoU大于0.5的作为正样本，其余作为负样本；每个Region proposal，resize到227*227；caffe的构架不用变，只需要将最后一层的1000类输出改为21类（20类+1类背景），同时把第八层的相应名字修改了（随便取）；以0.001的学习率开始SGD，每个min-batch由32个正样本窗口和96的背景窗口组成的128个Region proposals，这样做的目的是为了平衡正负样本的差距问题，因为Selective Search产生的负样本非常多。

            （3）训练Object分类器

      由于正负样本的数量极多，并且比例严重失衡，正样本少，负样本多。正对这个问题采用standard hard negative mining method训练二分类器。初始化的时候，选择ground-truth box的样本作为正样本，把与ground-truth box的IoU小于0.3的作为负样本，采用线性SVM更新模型。

三、实验结果

      1、Detection average precision (%) on VOC 2010 test.

           2、Detection average precision (%) on VOC 2007 test

四、总结      

      我这里主要是描述了Detection的工作，文章里面还有很多知识点，比如Visualization, ablation, and  modes of error，Bounding box regression，Semantic segmentation等，这里不再详解，可以参考论文理解。本文的方法的主要框架思路还是很明晰，对每个小框提取CNN特征，解决多标签问题。不过这种方法需要花费大量的时间在实际应用中可能现实，不过有更快速的方法已经提出，可以参考我的博客《CNN: Single-label to Multi-label》。之所以后详解这篇论文的代码是开源的，同时我也刚把这篇论文应用到自己的项目当中花费了大量时间，结果还没有出来。而这篇《CNN: Single-label to Multi-label》的代码还没有公布，本人的能力有限还没有实现。