机器学习：目标检测的几种方法简介

步骤：提取候选框->提取特征->分类

• R-CNN（region-cnn）
  1. 原理：通过selective search获取有效区域，统一大小之后输入CNN（AlexNet）提取特征，最后通过SVM进行分类。
  2. 缺点：计算量太大
  3. Map：58.5%（VOC 2017）
• SPPNet（sptial pyramid pooling convolutional networks空间金字塔池化卷积网络）
  1. 目标：将CNN输入从固定尺寸变成任意尺寸
  2. 原理：ROI池化层
  3. 做法：将卷积层分为4×4,2×2,1×1的网格，并使用最大池化得到16C，4C，1C的特征向量，然后将其拼接为21C维的特征向量，因此可将任意宽度高度的卷积特征转换为固定长度的向量
  4. 意义：可将原始图像不同长宽区域都对应到一个固定长度的向量特征
  5. 步骤：将图像进行一次卷积运算之后，得到图像的卷积特征，对于原始图像中的候选框，只需在卷积特征中找到对应的位置框，再使用ROI池化层对位置框的卷积进行提取特征，即完成特征提取工作
  6. 优点：R-CNN需要在每个区域计算卷积，而SPPNet只需要计算一次
• Fast-R-CNN
  1. 原理：使用神经网络代替SVM进行分类
  2. 做法：全连接层有两个输出，一个进行分类，一个进行框回归
  3. 框回归：学习参数（