目标检测—RCNN系列

工程应用中，检测算法以one-stage算法yolo系列等为主，因为one-stage通常来说速度快，可以完成良好的实时检测。

本文回顾的是two-stage算法:RCNN系列

One-stage and two-stage:     

one-stage: 直接回归物体的类别概率和位置坐标值（无region proposal），但准确度低，速度相比two-stage快。 

two-stage: 先由算法生成一系列作为样本的候选框，再通过卷积神经网络进行样本分类。

一.RCNN                                                                                                                                   

算法流程概述：

（1）search selective生成候选框

（2）对候选框用深度网络提取特征(候选框resize成224*224）

（3）特征送入每一类的SVM分类器进行分类 

（4）用回归器对候选框进行位置修正

这里的深度网络用的是Alexnet CNN，不同的是将最后的一层的1*1000全连接层（原先全连接是用来分类）去掉了，这样就得到了一个4096维的特征向量，若有K个候选框则得到K个4096维的特征向量。再经过特征提取后将K*4096维的特征向量输入到20个SVM分类器中（权值矩阵4096*20），从而得到K*20维的矩阵，表示K个候选框对应20个类别的得分。对K*20维矩阵在每一列（每一类）进行NMS得到该类中得分最高的框。

NMS非极大值抑制算法：

寻找每个类别中得分最大的目标，因为对于一类，score越高越能说明物体在里面。取score最高的一个框，计算其与其他框的iou,iou越大越可能是同一个物体，去掉iou大于给定阈值的目标框。

 在经过NMS处理后，对剩余的高质量建议框进行回归操作，其主要回归有四个参数，中心点距离实际位置的偏移量x和y，以及建议框宽高的缩放因子hw

二.Fast-RCNN

RCNN存在的问题：用Selective search算法提取候