RCNN系列（1）--RCNN

1. 简介

2014 年加州大学伯克利分校的 Ross B. Girshick 提出 R-CNN 算法，其算法结构也成为后续 two stage 的经典结构。

2. 基本概念

2.1 Iou

Iou表示为A区域，B区域间交集面积和并集面积的比例。

2.SelectiveSearch（选择性搜索）
不使用暴力方法，而是用候选区域方法（region proposal method）创建目标检测的感兴趣区域（ROI）。在选择性搜索（selective search，SS）中，我们可以先利用基于图的图像分割的方法得到小尺度的区域，然后一次次合并得到大的尺寸。考虑所有特征，例如颜色、纹理、大小等，同时照顾下计算复杂度。

**3.Bouding Box Regression（边框回归）**边框
边框回归不是直接对边框的长宽和坐标点操作，而是对它的变化量操作，减小了误差。代码加详解

3. 网络结构

五个卷积层，两个全卷积，再加一个SVM做分类器。

4.不足

1）多个候选区域对应的图像需要预先提取，占用较大的磁盘空间；
2）针对传统CNN需要固定尺寸的输入图像，crop/warp（归一化）产生物体截断或拉伸，会导致输入CNN的信息丢失；
3 每一个ProposalRegion都需要进入CNN网络计算，上千个Region存在大量的范围重叠，重复的特征提取带来巨大的计算浪费。

5.推荐

较为完善的比较了RCNN, Fast-RCNN, Faster-RCNN间的差异