R-CNN的浅解

R-CNN虽然是ECCV2014年的论文，但它是目标检测算法的基石，Fast R-CNN、Faster R-CNN都是在R-CNN基础上的不断优化改进。

1.什么是目标检测？

给一张图，如上图，图片中的动物是什么？它在图片中哪个位置？这就是是目标检测要做的事情。
目标检测主要两块内容：

1. 分类：解决“是什么”的问题，图片中是小熊猫还是小狗；

2. 定位：解决“在哪里”的问题，小熊猫在图片中的具体位置；

2.R-CNN论文：

论文地址：
Rich feature hierarchies for accurate object detection and semantic segmentation

先从R-CNN开始，了解其思想，对后面Fast R-CNN、Faster R-CNN的理解灰常有帮助的。

从上图可以看到：R-CNN算法即做分类也做回归。图中的Bbox-reg（回归）和SVMs（分类）
RCNN算法的流程：

1. 输入一张图像

2. 用selective search 算法在原始图像上找出一些候选框，一张图像大约有2k个候选框（根据颜色、纹理、角边等等找到可能存在的候选框）。

3. 对每一个候选框分别进行卷积。先通过一些基本算法产生大约有二千个候选框，一个一个地分别输入卷积层卷积，这时是不是明显感觉速度会很慢了

4. 卷积后，把特征送进SVMs分类器进行分类，判断它是什么类别；再把特征送到Bbox-reg做回归。

   即：候选框→卷积→分类和回归

这就是R-CNN的主要思想：在输入图像上产生一些候选框，对这些候选框分别的进行卷积，得到的特征拿来做分类和回归

3.R-CNN的问题：

1. 候选框没有共享各自的卷积网络。每一个候选框都需要通过CNN网络进行计算，计算量会很大，因为卷积层对图像的输入大小没有限制，但全连接层对图像的尺寸是有限制的，而候选框的大小是不一样的，所以要通过不同的卷积网络训练了。
2. 两种不同的loss function。linear SVMs是hinge loss ，bounding-box regressions 是least squares。
3. 速度很慢。47s/image（VGG16）

Reference：
https://www.cnblogs.com/zyly/p/9246221.html
https://cloud.tencent.com/developer/news/281788