rcnn的相关的知识

最近在看rcnn，rcnn主要是用来进行目标检测，语义分割的

是一个将cnn使用到目标检测的突破，进而诞生了rcnn，sppnet，fast-rcnn，faster-rcnn

在此，使用这个博文介绍一下以上的rcnn及其扩展中使用到的东西的简单介绍吧

1，OverFeat 

OverFeat is a Convolutional Network-based image classifier and feature extractor.

参考《OverFeat:Integrated Recognition, Localizationand Detection using Convolutional Networks》

有两点，其中第二点是亮点：
（1）特征共享：首先在分类问题上训练出来模型，然后Fix住卷积层，来对定位模型进行fine tuning，最后对应1k个类别做了1k个定位的模型。
（2）“快速”滑动窗口：为何要用滑动窗口？对于分类，通过多视角和多尺度来提高分类的置信度；对于定位，解决了多物体以及多尺度的问题。如何提高滑动窗口的效率？不在原始图片上做滑动窗口，而是在最后一个pooling层上面做滑动窗口。

快速滑动窗口

也就是在最后一个pool层上做滑动窗口。
本质上，在pool做小步长的滑动窗口和在原始图片上做大步长的滑动窗口，从识别效果上来说几乎是等价的，但是在效率上存在极大的差别——所以这里的“快速”本质上是利用了CNN卷积层和下采样层的空间对应关系来减少计算。

• 对于分类模型，训练只使用单个尺度（221*221）进行训练，测试时候不改变网络架构，却是使用多个尺度进行输入的——于是导致了网络的输出由1维变成了2维（其实就是滑动窗口）
• 训练分类模型只是使用了单尺度，但后面训练定位模型时候用到了多尺度，个人认为是为了增加样本——因为训练1k个定位模型的话，每类的样本太少了。
• 本文提出的“测试时实现多视角多尺度”方法，其本质上就是滑动窗口——多视角≈滑动到不同的位置，多视角≈大小不一的窗口。只是利用CNN的固有属性以及一些技巧，减少了测试时候的运算量。

2.Fully COnvolutional Networks

可以参考《Fully Convolutional Networks for SemanticSegmentation》

下面是知乎上的解释：

RCNN 解决的是，“为什么不用CNN做classification呢？”
（但是这个方法相当于过一遍network出bounding box，再过另一个出label，原文写的很不“elegant”
Fast-RCNN 解决的是，“为什么不一起输出bounding box和label呢？”
（但是这个时候用selective search generate regional proposal的时间实在太长了
Faster-RCNN 解决的是，“为什么还要用selective search呢？”