论文笔记：《OverFeat: Integrated Recognition, Localization and Detection using Convolutional Networks DeepLearning 》

一、Abstract综述

  训练出一个CNN可以同时实现分类，定位和检测..，三个任务共用同一个CNN网络，只是在pool5之后有所不同

 

二、分类

 这里CNN的结构是对ALEXNET做了一些改进，具体的在论文中都说了，就不再赘述了。说几个关键的地方。

 1.之前在多尺度的情况下，Krizhevsky用的是multi—view的方法，也就是对给定的图片分别取四个角，中间以及翻转的图块输入到CNN中，得到的结果取均值。这个方法的缺陷在于有些区域的组合会被忽略（比如   ground truth在中间偏右，但是此方法并没有检测这个框），只关注了一个scale导致结果的置信度不高，而且重叠区域的计算很耗时。所以这里采用的方法是multi—scale。

   传统的检测/定位算法是固定输入图像不变，采用不同大小的滑窗来支持不同尺度的物体。这里因为采用的是全卷积网络，训练时固定输入大小，使用的时候可以multi-scale，这个待会再详细讲，只要清楚每次输入的时候，滑窗的大小就是训练时输入图像的大小，是不可以改变的。那么，CNN支持多尺度的办法就是，固定滑窗的大小，改变输入图像的大小。具体来说，对于一幅给定的待处理的图像，将图像分别resize到对应的尺度上，然后，在每一个尺度上执行上述的密集采样的算法，最后，将所有尺度上的结果结合起来，得到最终的结果。

这样做的好处就是：1.速度快，卷积处理的速度当然快 2.预测时不用对图像做尺度处理。

但是固定slide window也有坏处，就是步长固定了， 整个网络的子采样比例=2*3*2*3=36，即当应用网络计算时，输入图像的每个维度上，每36个像素才能产生一个输出。文章采用的解决方法是使用模型前5层卷积层来提取特征，layer 5在 pooling 之前给定 x，y 一个偏移，,即对每个 feature map 滑窗从(0,0), (0,1), (0,2), (1,0), (1,1)...处分别开始滑动，得到9种不同的feature map，那么下一层的 feature map 总数为9*前一层的 num_output。这样的话就会把sampling从36降到了12.

2.offset  max-pooling

 上面的方法是可以单独拉出来说一说的，以下图为例，这是一维的，classfilier的输入要求是1*5，我们先用offset max_pooling得到三个1*6的feature map（注意这里是non-overlapping regions的），然后对每个用1*5的滑动窗口计算，也就是放到分类器里面，会得到2*3=6个输出，然后融合以后就可以得到分类器的1*6的输出。

 

 

2.全卷积网络的好处

 

 　如上图所示，可以看到后面的全连接层被转换为卷积层了，本来训练的时候只有14*14的输入，最后得到1*1的输出，在predict的时候，如果输入时16*16，最后得到的结果是2*2的output，这个相当于四个滑动窗口在16*16的input上滑动的输出结果，但计算明显减轻了很多。

 

  3.上面这样做还有一个问题，就是不同的scale输出的feature map大小不同，而最后的classifier要求固定的input，所以这里需要calssifier在feature map上做滑动窗口，这样最后就有了multi-scale的预测：最对某一个类别，分别对不同scale矩阵取最大值，然后取该类别中不同矩阵最大值的均值，最后输出所有类别的top-1 or top-5

 

 三、定位

定位问题的模型也是一个CNN，1-5层作为特征提取层和分类问题完全一样，后面接两个全连接层，组成regressor network ，也就是用回归的方法来训练得到bounding box的四个角点的坐标，使用预测边界和真实边界之间的L2范数作为代价函数，来训练回归网络。对于每个class都要单独训练一个定位层，这样，假设类别数有1000，则这个 regressor network 输出1000个 bounding box ，每一个 bounding box对应一类。

 

1.算法流程

（1）初始化模型后，进来一张图片，利用滑动窗口技术提取出来多个patch。

（2）对于每个patch，用分类模型确定好类别，然后使用对用的定位模型来确定物体的位置。

（3）根据分类的分数可以选出k个候选的patch

（4）对patch进行合并

2.合并多框

 因为论文里面使用的方法是重合率超过百分50就可以留下，所以会有很多的bounding box，所以最后需要做一个合并多框的方法，这里采用的是贪心策略 

a）在6个缩放比例上运行分类网络，在每个比例上选取top-k个类别，就是给每个图片进行类别标定Cs

b）在每个比例上运行预测boundingbox网络，产生每个类别对应的bounding box集合Bs

c）各个比例的Bs到放到一个大集合B

d）融合bounding box。具体过程应该是选取两个bounding box b1，b2；计算b1和b2的匹配分式，如果匹配分数大于一个阈值，就结束，如果小于阈值就在B中删除b1，b2，然后把b1和b2的融合放入B中，在进行循环计算。

最终的结果通过融合具有最高置信度的bounding box给出。

3.为什么训练定位的时候要用multi-scale的输入

是为了在predic的时候可以做到across—scale的预测，多尺度的训练会让后面的合并的可信度更高，当然这也有问题，就是只能在处理训练的时候这几个尺度上的图片有好的效果，其他的时候不行。

三、检测

  同时跑上面两个，得到的结果就是的了...

 

四、总结

 最大的亮点在于在pool层用小的滑动窗口代替input的大的滑动窗口吧，大大提高了计算效率，而且这样可以fix住feature提取的那部分，所以检测和定位就可以共用了，所以整个CNN的效率和精度都有了很大的提高.暂时了解的只有这么多了，以后有新的理解还要再来修改。