【目标检测】（一）RCNN

Region CNN(RCNN)是利用深度学习进行目标检测的开山之作。自DPM方法多年平台期后，效果提高显著。

解决的问题

一 速度

经典的目标检测算法使用滑动窗法(滑动窗口法，需要判断的区域太多[link]https://blog.youkuaiyun.com/qq_25680531/article/details/80932137 这里是滑动窗口法与Selective search的比较)，依次判断所有可能的区域。本文则预先提取一系列较可能是物体的候选区域，之后仅在这些候选区域上提取特征，进行判断。

二 训练集

经典的早期目标检测算法在区域中提取人工设定的特征。RCNN则需要训练深度网络进行特征提取。可供使用的有两个数据库：
一个较大的识别库（ImageNet ILSVC 2012）：标定每张图片中物体的类别。一千万图像，1000类。
一个较小的检测库（PASCAL VOC 2007）：标定每张图片中，物体的类别和位置。一万图像，20类。
本文使用识别库进行预训练，而后用检测库调优参数。最后在检测库上评测。

三 流程

RCNN算法分为4个步骤

• 一张图像生成1K~2K个候选区域
• 对每个候选区域，使用深度网络提取特征
• 特征送入每一类的SVM 分类器，判别是否属于该类
• 使用回归器精细修正候选框位置
  -

候选区域生成

使用了Selective S