PyTorch深度学习实战（19）——从零开始实现R-CNN目标检测

0. 前言

R-CNN (Region-based Convolutional Neural Network) 是 R-CNN 系列目标检测算法的初代模型，其将“深度学习”和传统的“计算机视觉”的相结合，在深度学习的框架下实现了高效的物体检测和识别。R-CNN 的核心思想是将目标检测任务分解为候选区域提取、特征提取、目标分类和边界框回归四个步骤。R-CNN 中的 “Region-based” 指的就是区域提议(候选区域)，用于在图像中识别对象。在《目标检测基础》中，我们已经了解了区域提议的概念如何从图像中生成候选区域。在本节中，我们将利用区域提议来完成图像中目标对象的检测和定位。

1. R-CNN 目标检测模型

1.1 核心思想

R-CNN 的核心思想是将目标检测任务分解为候选区域提取、特征提取、目标分类和边界框回归四个步骤。首先，使用选择性搜索等方法从输入图像中提取出一组候选区域。然后，对每个候选区域使用卷积神经网络提取特征表示。接下来，通过一个分类器对每个候选区域进行目标分类，输出目标的类别标签。最后，使用回归器对每个候选区域的边界框位置进行微调，以更准确地框出目标的位置。
R-CNN 采用了两个