R_CNN模型简单理解

1.背景：
区分一下各类计算机视觉的任务：

简单来说，分类、定位和检测的区别如下：
classify：是什么？
localization：在哪里？是什么？（单个目标）
detection：在哪里？分别是什么？（多个目标）
2.R_CNN:

R-CNN 首先对图像选取若干提议区域（例如锚框也是一种选取方法）并标注它们的类别和边界框（例如偏移量）。然后，用卷积神经网络对每个提议区域做前向计算抽取特征。之后，我们用每个提议区域的特征预测类别和边界框。
具体来说，R-CNN 主要由以下四步构成：
1、对输入图像使用选择性搜索（selective search）来选取多个高质量的提议区域 [2]。这些提议区域通常是在多个尺度下选取的，并具有不同的形状和大小。每个提议区域将被标注类别和真实边界框。
2、选取一个预训练的卷积神经网络，并将其在输出层之前截断。将每个提议区域变形为网络需要的输入尺寸，并通过前向计算输出抽取的提议区域特征。
3、将每个提议区域的特征连同其标注的类别作为一个样本，训练多个支持向量机对目标分类。其中每个支持向量机用来判断样本是否属于某一个类别。
4、将每个提议区域的特征连同其标注的边界框作为一个样本，训练线性回归模型来预测真实边界框。

备注：提议区域选择、边框回归方法见参考链接。
[1] http://zh.gluon.ai.s3-website-us-west-2.amazonaws.com/chapter_computer-vision/rcnn.html
[2] https://blog.youkuaiyun.com/shenxiaolu1984/article/details/51066975
[3] https://blog.youkuaiyun.com/amor_tila/article/details/78809791
[4] https://blog.youkuaiyun.com/v1_vivian/article/details/78599229