1.1.4　训练数据准备

1．SVM分类器的数据准备

标签：由于SVM只能做二分类，因此在N类分类任务中，R-CNN使用了N个SVM分类器。对于第K类物体，与该类物体的真值框的IoU大于0.3的视为正样本，其余视为负样本。R-CNN论文中指出，0.3是通过栅格搜索（grid search）得到的最优阈值。

特征：在决定使用哪一层的特征作为SVM的输入时，R-CNN通过对比AlexNet网络中的最后一个池化层Pool5以及两个全连接层FC6和FC7的特征在PASCAL VOC 2007数据集上的表现，发现Pool5层得到的错误率更低，得出结论——Pool5更能表达输入数据的特征。因此，SVM使用的是从Pool5层提取的特征，原因是全连接会破坏图像的位置信息。

2．岭回归位置精校器的数据准备

特征：位置精校和分类的思路类似，不同之处是它们一个是分类任务，一个是回归任务。同SVM一样，岭回归位置精校器使用的也是从Pool5层提取的特征。候选区域选取的是和真值框的IoU大于0.6的样本。

标签：岭回归位置精校器使用的是相对位置，这有助于降低模型学习的难度，提升对不同尺寸的目标的检测能力。在这里，G = {Gx, Gy, Gw, Gh}表示真值框的坐标和长宽，P = {Px, Py, Pw, Ph}表示候选区域的大小和长宽。相对位置的回归目标为T = {tx, ty, tw, th}，它的计算方式为：

（1.1）

3．任务训练细节

CNN预训练。出于当时硬件资源的限制，R-CNN并没有选择容量更大的VGG-16，而是选择了速度更快的AlexNet。预训练指的是在ILSVRC 2013上训练分类网络，微调训练使用了小批次的SGD进行优化，批次大小是128，其中32个正样本，96个负样本。因为预训练是分类任务，所以CNN使用的损失函数是交叉熵损失函数。

SVM分类器训练。SVM的训练使用了难负样本挖掘（hard negative mining，HNM）。对于目标检测我们会事先标记出真值框，然后在算法中生成一系列候选区域，这些候选区域有和标记的真值框重合的，也有没重合的，那么IoU超过一定阈值（通常设置为0.5）的则认定为正样本，阈值之下的则认定为负样本。然后将这些样本放入SVM分类器中训练。然而，这也许会出现一个问题，那就是正样本的数量远远小于负样本，这样训练出来的分类器的效果总是有限的，会出现许多假阳性样本。把其中得分较高的假阳性样本当作所谓的难负样本，既然挖掘出了这些难负样本，就把它们放入SVM分类器中再训练一次，从而加强分类器判别假阳性的能力。

岭回归位置精校器训练。精校器的作用是找到一组映射，使候选区域的位置信息P通过某种映射，能够转化为G。这也可以理解为根据Pool5层的图像特征，学习G和P的相对位置关系（1.1.4节中的t），然后根据相对位置关系，将候选区域对应成检测框，所以目标函数可以为：

（1.2）

其中，表示候选区域Pi对应的Pool5层特征向量，是可训练的网络参数，λ是正则化系数。