DAY 4 初识fast-r-cnn

R-CNN等传统弊端：基本步骤：

• 通过select选取候选框，一般每张图2000个左右
• 对每张候选框图进行深度学习，提取特征
• 将特征送到分类器，如svm进行判别
• 使用精准回归对候选框进行修正
  
  问题：
• 训练速度慢，候选框之间存在大量的重复，提取特征速度慢
• 训练所需大量内存空间，大量的特征。
  主要原因就是R-CNN在深度学习之前进行候选框提取，造成大量重叠的候选框需要进行特征提取。
  改进：
  FASTER-R-CNN在图像送入神经网络之后，才加入候选框信息，类别判断和位置精调统一用深度网络实现，不再需要额外存储（独立的分类器和回归调整）

FASTER-R-CNN介绍：
使用NN来处理region proposal，使用 共享卷基层 的概念，卷积后的特征图样是可以用来生成region proposal的，通过添加卷基层实现region proposal network，用来对特征图形成位置编码向量，对每一个位置输出objectness score和 regressed bounds for k region proposals.

IoU 简单来讲就是模型产生的目标窗口和原来标记窗口的交叠率。具体我们可以简单的理解为： 即检测结果(DetectionResult)与 Ground Truth 的交集比上它们的并集，即为检测的准确率 IoU