docs(bounding-box regression): 训练及实现解析

Author: zjZSTU

Diff for: docs/index.md

@@ -11,7 +11,8 @@
 1. 数据集创建
 2. 卷积神经网络训练
 3. 分类器训练
-4. 目标检测器实现
+4. 边界框回归器训练
+5. 目标检测器实现
 
 **本仓库最终实现一个汽车类别目标检测器**
 
@@ -20,7 +21,8 @@
 1. 区域建议生成：`selectivesearch`算法实现，生成类别独立的区域建议
 2. 特征提取：卷积神经网络`AlexNet`实现，从每个区域建议中提取固定长度的特征向量
 3. 线性`SVM`实现，输入特征向量，输出每类成绩
-4. 非最大抑制方法实现，得到最终的候选建议
+4. 使用类指定的边界框回归器计算候选建议的坐标偏移
+5. 非最大抑制方法实现，得到最终的候选建议
 
 *关于区域建议算法`selectivesearch`实现，在训练阶段使用高质量模式，在测试阶段使用快速模式*
 

Diff for: docs/工程解析.md

@@ -9,25 +9,16 @@
 ├── LICENSE
 ├── mkdocs.yml
 ├── py
+│   ├── bbox_regression.py      # 边界框回归器训练
 │   ├── car_detector.py              # 检测器实现
 │   ├── finetune.py                       # 卷积神经网络微调训练
 │   ├── __init__.py              
 │   ├── linear_svm.py                  # 分类器训练
 │   ├── requirements.txt             # python工程依赖
 │   ├── selectivesearch.py         # 选择性搜索算法实现
 │   └── utils
-│       ├── data            
-│       │   ├── create_classifier_data.py                                         # 创建分类器训练数据
-│       │   ├── create_finetune_data.py                                          # 创建模型微调训练数据
-│       │   ├── custom_batch_sampler.py                                      # 自定义批量采样器
-│       │   ├── custom_classifier_dataset.py                                # 自定义分类器数据集类
-│       │   ├── custom_finetune_dataset.py                                 # 自定义微调数据集类
-│       │   ├── custom_hard_negative_mining_dataset.py    # 自定义负样本挖掘数据集类
-│       │   ├── __init__.py
-│       │   ├── pascal_voc_car.py          # 解析VOC car数据集
-│       │   ├── pascal_voc.py                   # 下载并解析VOC数据集
-│       ├── __init__.py
-│       └── util.py                # 常用辅助函数
+│       ├── data                                  # 创建数据/自定义数据处理类
+│       └── util.py                              # 辅助函数
 ├── README.md
 └── requirements.txt
 ```

Diff for: docs/边界框回归器训练.md

@@ -0,0 +1,20 @@
+
+# 边界框回归器训练
+
+使用`SVM`分类器对候选建议进行分类后，使用对应类别的边界框回归器（`bounding-box regression`）预测其坐标偏移值，这一操作能够进一步提高检测精度
+
+## 定义
+
+参考：[[R-CNN]边界框回归](https://blog.zhujian.life/posts/dd3aa53a.html)
+
+通过提高`IoU`阈值（`>0.6`）过滤正样本候选建议，将候选建议和标注边界框之间的转换看成线性回归问题，并通过岭回归（`ridge regression`）来训练权重$w$
+
+## 数据集
+
+* 相关实现：[create_bbox_regression_data.py](https://github.com/zjZSTU/R-CNN/blob/master/py/utils/data/create_bbox_regression_data.py)
+
+利用微调数据集的正样本（`IoU>=0.5`），再进一步提取`IoU>0.6`的候选建议
+
+## 小结
+
+并没有训练得到很好的边界框回归器，不知道是不是数据不够大，或者`IoU`阈值可以进一步提高

Diff for: mkdocs.yml

@@ -34,4 +34,5 @@ nav:
     - 数据集创建: './数据集创建.md'
     - 微调模型: './微调模型.md'
     - 分类器训练: './分类器训练.md'
+    - 边界框回归器训练: './边界框回归器训练.md'
     - 检测器实现: './检测器实现.md'