R-CNN

1 RCNN的简介

CVPR2014经典paper：《Rich feature hierarchies for accurate object

detection and semantic segmentation》，http:// https://arxiv.org/abs/1311.2524

这篇论文的算法思想被称为R- CNN(Regions with Convolutional Neural Network Features)

该算法思想更改了物体检测的总思路，现在很多物体检测算法均基于该算法。

简单来讲： R-CNN是一种基于Region Proposal的CNN网络结构

Region Proposals 是指可能包含目标对象的图像区域的候选集合。换句话说，它们是图像中那些可能包含我们想要检测的对象的区域。在 R-CNN 和类似模型中，这些区域会进一步被处理以确定它们确实包含对象，并且确定对象的类型和位置。

R-CNN算法中采用和传统目标检测类似的执行过程，主要包含以下

几个步骤：

1. 区域提名(Region Proposal)：通过区域提名的方法从原始图片中提取2000个左右的区域候选框，一般选择Selective Search(SS)；

2. 区域大小归一化：将所有候选框大小缩放固定大小(eg:227*227)；

3. 特征提取：通过CNN网络，对每个候选区域框提取高阶特征，将高阶特征保存磁盘；

4. 分类与回归：在高阶特征的基础上添加两个全连接层，再使用SVM分类器来进行识别，用线性回归来微调边框位置与大小，其中每个类别单独训练一个边框回归器(类似OverFeat的class specific结构)。

2 RCNN的模块

上述模块是训练的时候的模块

模块1

在模块一中，使用SS算法来获取2000个区域提案，后续做预处理，全部尺寸改变为227x227，这是 AlexNet 输入尺寸的要求

预处理如下图

模块2 

在模块2中，使用alexnet网络来提取特征，并进行fine-tune微调(为了训练特征提取功能)，微调通常指的是在预训练的 CNN 上进行额外训练，以适应新的数据集或任务。这通常涉及到将 CNN 的最后一层（全连接层）替换为新的层，然后在新数据集上继续训练。在训练时，根据 IoU 阈值&#