rcnn总结

1.rcnn算法流程
1.一整图像生成1K~2K个候选区域（使用Selective Search方法）
2.对每个候选框区域使用深度网络提取特征
3.特征送入每一类的SVM分类器，判别是否属于该类
4.使用回归器精细修正候选框位置
详细过程参考链接http://t.csdn.cn/vGLPe
2.数据训练
rcnn训练数据需要三个步骤单独训练，训练步骤为
(1) CNN fine-tuning,
(2) detector SVM training
(3)bounding-box regressor training
3.为什么需要svm
fine-tuning时用的正样本是IOU>0.5的候选框，和groundtruth有偏差，对训练结果会有影响，而训练svm用的正样本就是groundtruth。
4.为什么用svm不用softmax
svm的性能比softmax好，主要由于下面几个原因，微调中使用的正例的定义不强调精确定位，并且 softmax 分类器是在随机采样的负例上训练的，而svm训练用的是hard negatives。