RCNN论文解读

Rich feature hierarchies for accurate object detection and semantic segmentation论文解读

http://blog.youkuaiyun.com/hjimce/article/details/50187029讲得很好，下面再加一点自己的理解。

1、在测试阶段，每个建议框通过CNN获取特征，然后分别用训练好的判断每个类别的SVM得到score,每个类别中得分最高的框开始做非极大抑制，每个类别的非极大抑制是独立的。

2、本方法用同一个CNN提取所有类别的特征，而且特征维度相比于其他方法比较小。

3、提取特征的CNN网络的正负样本的定义和SVM正负样本的定义不一样，提取特征的正负样本的定义为与ground-truth boxes的IOU大于0.5的为正样本，小于0.5的为负样本。SVM的正负样本的定义为IOU小于0.3的为负样本，

这是因为cnn在训练的时候，对训练数据做了比较宽松的标注，比如一个bounding box可能只包含物体的一部分，那么我也把它标注为正样本，用于训练cnn；采用这个方法的主要原因在于因为CNN容易过拟合，所以需要大量的训练数据，所以在CNN训练阶段我们是对Bounding box的位置限制条件限制的比较松(IOU只要大于0.5都被标注为正样本了)；

然而svm训练的时候，因为svm适用于少样本训练，所以对于训练样本数据的IOU要求比较严格，我们只有当bounding box把整个物体都包含进去了，我们才把它标注为物体类别，然后训练svm。

4、Much of the CNN’s representational power comes from its convolutional layers, rather than from the much larger densely connected layers.