区域卷积神经⽹络（R-CNN）系列

R-CNN
R-CNN ⾸先对图像选取若⼲提议区域（例如锚框也是⼀种选取⽅法）并标注它们的类别和边界框（例如偏移量）

R-CNN 主要由以下四步构成：
（1） 对输⼊图像使⽤选择性搜索（selective search）来选取多个⾼质量的提议区域；
（2） 选取⼀个预训练的卷积神经⽹络，并将其在输出层之前截断。将每个提议区域变形为⽹络需要的输⼊尺⼨，并通过前向计算输出抽取的提议区域特征；
（3） 将每个提议区域的特征连同其标注的类别作为⼀个样本，训练多个⽀持向量机对⽬标分类。其中每个⽀持向量机⽤来判断样本是否属于某⼀个类别；
（4） 将每个提议区域的特征连同其标注的边界框作为⼀个样本，训练线性回归模型来预测真实边界框。
R-CNN缺点：速度慢，我们可能从⼀张图像中选出上千个提议区域，对该图像做⽬标检测将导致上千次的卷积神经⽹络的前向计算。这个巨⼤的计算量令 R-CNN 难以在实际应⽤中被⼴泛采⽤。

Fast R-CNN
Fast R-CNN 对 R-CNN 的⼀个主要改进在于只对整个图像做卷积神经⽹络的前向计算。

Faster R-CNN
Faster R-CNN 提出将选择性搜索替换成区域提议⽹络（region proposal network），从而减少提议区域的⽣成数量，并保证⽬标检测的精度。
注意：
区域提议⽹络作为 Faster R-CNN 的⼀部分，是和整个模型⼀起训练得到的。也就是说，Faster R-CNN 的⽬标函数既包括⽬标检测中的类别和边界框预测，⼜包括区域提议⽹络中锚框的⼆元类别和边界框预测。最终，区域提议⽹络能够学习到如何⽣成⾼质量的提议区域，从而在减少提议区域数量的情况下也能保证⽬标检测的精度。

Mask R-CNN
如果训练数据还标注了每个⽬标在图像上的像素级位置，那么 Mask R-CNN 能有效利⽤这些详尽的标注信息进⼀步提升⽬标检测的精度。
Mask R-CNN 将兴趣区域池化层替换成了兴趣区域对⻬层，即通过双线性插值（bilinear interpolation）来保留特征图上的空间信息，从而更适于像素级预测。兴趣区域对⻬层的输出包含了所有兴趣区域的形状相同的特征。

总结
R-CNN 对图像选取若⼲提议区域，然后⽤卷积神经⽹络对每个提议区域做前向计算抽取特征，再⽤这些特征预测提议区域的类别和边界框。
Fast R-CNN 对 R-CNN 的⼀个主要改进在于只对整个图像做卷积神经⽹络的前向计算。它引⼊了兴趣区域池化层，从而令兴趣区域能够抽取出形状相同的特征。
Faster R-CNN 将 Fast R-CNN 中的选择性搜索替换成区域提议⽹络，从而减少提议区域的⽣成数量，并保证⽬标检测的精度。
Mask R-CNN 在 Faster R-CNN 基础上引⼊⼀个全卷积⽹络，从而借助⽬标的像素级位置进⼀步提升⽬标检测的精度。