深度学习目标检测之 R-CNN 系列： 从 R-CNN 和 Fast R-CNN 到 Faster R-CNN

深度学习目标检测之 R-CNN 系列： 从 R-CNN 和 Fast R-CNN 到 Faster R-CNN 总览

深度学习目标检测之 R-CNN 系列包含 3 篇文章：

• 深度学习目标检测之 R-CNN 系列： 从 R-CNN 和 Fast R-CNN 到 Faster R-CNN 总览
• 深度学习目标检测之 R-CNN 系列：Faster R-CNN 网络详解
• 深度学习目标检测之 R-CNN 系列：用 Faster R-CNN 训练自己的数据(caffe 版)

1. 前言

这一篇文章主要是从 R-CNN 的发展历程来介绍各个版本的 R-CNN 是如何发展的。

R-CNN（Regions with CNN features） 是基于深度学习的早期目标检测框架发展起来的。如果按照 one-stage 和 two-stage 的分类， R-CNN 系列属于 two-stage 的方法，即第一步得到包含目标的候选区域，第二步对候选区域进行分类和校准，得到最终的检测结果。

R-CNN 系列是目标检测中的重要里程碑, 整个 R-CNN 系列中现在应用较多的是 Faster R-CNN，但是为了更清楚的理解 Faster R-CNN，所以还是从 R-CNN 讲起。

2. R-CNN

R-CNN 在 VOC 2012 上大放异彩，mAP 提升超 30%，其在检测任务上的意义不亚于同年 AlexNet 在分类任务上的突破。R-CNN 后来（2014年）被整理并发表于 Rich feature hierarchies for accurate object detection and semantic segmentation Tech report 。

如原文开篇所说， R-CNN 主要解决了两个