深度学习用于图片的分类和检测总结

1. CNN用于分类：具体的过程大家都知道，无非是卷积，下采样，激活函数，全连接等。CNN用于分类要求它的输入图片的大小是固定的（其实不单单是CNN，很多其它的方法也是这样的），这是它的一个不足之处之一。目前的大部分CNN都是用来做分类比较多。

2. CNN用于检测：主要的方法有两种，细分一下有三种：

第一种最为简单和暴力的，通过滑动窗口的方法，提取一个固定大小的图像patch输入到CNN网络中，得到该patch的一个类别，这样得到一个图片密集的类别得分图。显然，这种方法的一个弊端就是运算量太大，如果图片的分辨率比较的大，就根本无法进行下去，更何况，这还是在没有考虑图片多尺度检测的情况。

第二种方法，在第一种方法的基础之上，采用了动态规划的思想，避免了重复计算问题。对于CNN来说，直到第一个全连接层之前，它的输入图片大小是可以不固定的，但是有了全连接层之后，就要求输入大小保持一致，第二种方法是先把任意大小的图片进行输入CNN直到第一个全连接层，然后再在它的基础上进行固定大小的滑动窗口输入到全连接层中，由于第一个全连接层之前进行了大量的下采样操作，所以这时候的滑动窗口的数目就大大的减少了，而且前面的卷积操作就要计算一次，没有重复计算的问题。CNN里面有一个trick就是把训练好了的用于分类的网络，把它的全连接层参数转化为卷积层参数。这样改造后的CNN就成了全卷积CNN，它的输入是可以任意的，而它的输出是patch 的类别得分。这个在Caffe里面有一个例子说明怎么转换。网址在这里：http://nbviewer.ipython.org/github/BVLC/caffe/blob/master/examples/net_surgery.ipynb

第三种方法，跟前两种不同的是，它不是采用滑动窗口的方法，而是采用提取子窗口的方法，这种方法最典型的是今年的CVPR2014的R-CNN方法，它先采用一个方法来进行生成1000-2000左右的窗口区域（类似于目标显著性检测，但又不同，英文的说法叫Objectness，不好翻译），然后再把这些窗口归一化到相同的大小放到CNN里面去做分类。（当然RCNN的方法只是用训练好了的CNN进行提特征，它还需要进行对每一个类别进行训练SVM分类器）。显然这种方法的优点的是比前两种快，因为分类的窗口少，但是它也有不足就是，它要保证要检测的目标在这些1000-2000个提取的窗口中的概率要足够的高，也就是要有比较高的召回率。再者，它要保证这1000-2000个窗口的提取要足够的快，（在R-CNN中，由于它采用的方法生成窗口很慢，所以实际上整个检测是比较慢的。）