R-CNN or SPP-net

词袋(Bag-of-Words, BoW)模型

空间金字塔池化层：将特征图以空间块的形式进行分块，这些空间块的尺寸和图像的尺寸是成比例的，这样块的数量就是固定的了，如下图就有16+4+1个空间块，每个块提取出一个特征，这样刚好就是我们要提取的21维特征向量。经过这一层，输出向量大小为Mk，M=#bins（块数）， k=#filters(卷积核个数)，作为全连接层的输入。这样，全连接层的输入尺寸就固定了。而深度网络的滑窗池化(sliding window pooling)则对依赖于输入图像的尺寸。

R-CNN or SPP-net

1. R-CNN，整个过程是：

• 通过selective search，对待检测的图片进行搜索出~2000个候选窗口。
• 把这2k个候选窗口的图片都缩放到227*227，然后分别输入CNN中，每个proposal提取出一个特征向量，（即：利用CNN对每个proposal进行提取特征向量。）
• 把上面每个候选窗口的对应特征向量，利用SVM算法进行分类识别。
  可以看出R-CNN的计算量是非常大的，因为2000个候选窗口都要输入到CNN中，分别进行特征提取。

2. 而对于SPP-Net，整个过程是：

• 首先通过selective search，将待检测的图片进行搜索出2000个候选窗口。（这一步和R-CNN一样）
• 特征提取阶段。这一步骤的具体操作如下：把整张待检测的图片，输入CNN中，进行一次性特征提取，得到特征图，然后在特征图中找到各个候选框的区域，再对各个候选框采用空间金字塔池化，提取出固定长度的特征向量。而R-CNN输入的是每个候选框，然后在进入CNN，因为SPP-Net只需要一次对整张图片进行特征提取，速度会大大提升。
• 最后一步，采用SVM算法进行特征向量分类识别。
  只进行了一次CNN操作。

难负例挖掘(Hard Negative Mining)

hard negative:容易被看作正样本的负样本，即那些容易分类错误的样本。重叠率IoU超过一定阈值的，则认为它是positive sample，否则为negative sample，IoU较高的negative sample就是 hard negative。
Hard Negative Mining就是多找一些hard negative加入负样本集，进行训练，这样会比easy negative组成的负样本集效果更好。