R-CNN: Rich feature hierarchies for accurate object detection and semantic segmentation

摘要
2012年之前, 目标检测算法性能已经进入平台期。性能好的算法都是集成算法（绑定底层特征和高层context）。在这篇文章中，作者提出了 R-CNN （Regions with CNN features）。

算法介绍
1. R-CNN方法包含三个模块：

1）产生类别无关的候选区域；
2）利用CNN（卷积神经网络）提取固定长度的特征；
3）学习linear SVM的集合，每个linear SVM对应一个类别分类器。

a) 生成候选区域（region proposals）

    许多文章提供了这类方法，例如：objectness, selective search, 等等。作者使用了selective search。

b) 特征提取

 作者使用caffe在每个候选区域提取4096维特征。作者在实现的时候，使用了AlexNet提取特征。
 因为AlexNet的输入图像大小是227*227RGB图像。输入的候选区域必须转换为227*227。作者采用了最简单的转换方法。不管候选区域的尺寸和方向率，直接将图像转为227*227。
 在转换之前，作者将图像的边缘像素进行了填充。填充的基本条件是，填充的边缘在变换后的图像上是16像素。

2.R-CNN测试
在测试的时候，1）运行selective search提取2000个候选区域。2）转换每个候选区域为227*227的RGB图像，然后送给AlexNet，提取4096维特征。3）4096维特征送给linear SVM分类器，为每个类别打一个分数。
得到了所有的打分区域，然后使用非最大抑制 拒绝掉一些低分值的区域。

3.运行时间分析
存在两个属性使计算更加有效率。
1）所有类的特征是共享的。
2）CNN提取的特征向量是低维的（仅仅4096）
计算region proposals和特征的时间被分摊给所有类别，因此计算效率非常高。

4.R-CNN训练
1）监督预训练
首先使用ImageNet（图像级别的标注，没有标定每个目标的位置）训练一个CNN网络。
2）Fine-tuning微调
使用warped regions proposals进行微调，并且1000类的分类层，修改为21类
（20个类别，加上1个背景）。
3）类别分类器
使用Linear SVM训练类别分类器。Linear SVM的输入是4096维特征。
4.评估

end