RCNN个人的几点见解

         已经有将近一年的时间没有写博客了，说来真是惭愧。最近想学习一点目标检测的东西，今天看了RCNN，请教了同事一些不懂得地方，在这里做一个简短的总结。其实，网上种总结已经非常多了，我这里只想写点我个人的理解。方便以后回归使用。废话少说，直接进入正题。

1、选择候选区域的算法，论文中使用的是“selective search”，我记得很久之前看这篇论文时，我还在网上找到过这个算法的源码，跑了一下，效果还不错。有兴趣的朋友可以github上找找。另外论文中叶提到，使用其他算法也可以，目的是找到候选框代替滑动窗口。

2、greedy non-maxinum suppression(非极大值抑制)，通俗的说就是只要最大值，不是最大值的抛弃。

3、IoU（intersection-over-union，交并比），通俗的讲就是两个候选框的交集和并集的比值。下图中红色区域为两个候选框的交集部分。

4、整体的流程（通用目标检测，一张图片里可能有不同的物体）。

（1）利用某个候选框算法产生候选框，一般数量会非常多，>2000个。

（2）对每一个候选框里的图片进行缩放，利用CNN对每个候选框进行特征提取。

（3）利用SVM对提取的特征进行打分，论文中是使用的多个二分类SVM，我们会得到一个候选框属于某一类的概率值，概率值最大的类，就是该候选框属于的类，一般对分数从大到小进行排序，取前K（K=2000）个候选框。

（4）由于一张图片里可能有多个目标，比如图片里同时有两个人，一只狗和一只猫。由于我们第三步使用SVM进行分类，所以我们可以知道每个候选框属于的类别，假设属于人得候选框有100个。

（5）分析人的候选框。首先这100个候选框是按分数从小到大学习的。下图列出其中最大的四个

我们首先选择框A因为它的分数最高，然后我们选择框B：

【1】首先，判断A和B是否有交集，如果没有交集，则A和B虽同属于人，但属于不同的人；

【2】如果A和B有交集：

【2.1】计算A和B的交并比，如果交并比的值大于阈值则认为A和B同属于一个人的框，根据非极大值抑制原则， 抛弃B框，认为A框最能代表这个人；

【2.2】如果A和B的交并比，小于阈值，则A和B虽同属于人，但属于不同的人

【3】如果经过以上两步后B被抛弃，则C框的分析与B框相同；如果B框被保留，则C框分别于A框和B框进行步骤1,2的分析。