RCNN与Fast-RCNN算法-如何生成“感兴趣区域”？

Question

我从博客文章here中得到了下面的图片，内容十分丰富。

RCNN

在RCNN中，我得到了选择搜索用于选择感兴趣的区域（“建议”），并将这些信息传递到convNet中，该convNet可以任意生成4096维的特征向量。这将传递给SVM，然后进行分类。有道理。

快速RCNN

”，而不是将区域建议输入到CNN，我们将输入图像输入到CNN，以生成卷积特征图。从卷积特征图，我们确定建议区域并将其扭曲成正方形，并使用RoI池层我们将它们重塑为固定大小，以便可以将其馈送到完全连接的层中。”

我分别知道所有这些词；但是像这样把它们放在一起使我感到困惑。对于Fast-RCNN，与选择搜索相反，它的区别是ConvNet似乎用于生成感兴趣区域。这是如何运作的？

我目前的理解在步骤2/3中感到困惑，否则我认为我很好：

1. 我们有一张图片，并将其提供给CNN。
2. CNN会像往常一样通过随机初始化一些过滤器来生成过滤器 （并随后根据错误进行调整。）
3. 在卷积图像堆栈上使用的选择性搜索？
4. RoI汇集成一个大小。
5. Softmax层决定分类+ LR以获得边界框。

奖金：为什么RCNN中的特征向量为4096维？只是随机选择的数字？

Answer 1

我刚刚读过Ross Girshick的文章“基于区域的卷积网络，用于精确的对象检测和分割”。他部分说 “我们使用CNN从每个区域建议中提取一个固定长度的特征向量。 使用的特定CNN体系结构是系统超参数。我们的大多数实验都使用Krizhevskyetal描述的CNN的Caffe [55]实现.8，但是我们也尝试了Simonyan和Zisserman [24]（OxfordNet）的16层深度网络。在两种情况下，特征向量都是4096维的。 通过网络向前传播均值减去后的S×S RGB图像，并读取倒数第二层（就在softmax分类器之前的层）输出的值。对于TorontoNet，S = 227，对于OxfordNet S = 224。到[8]，[24]，[55]了解更多的网络架构细节。” 这意味着他从两个特例中得出的数字都得出相同的结果