R-CNN算法（论文部分翻译+个人总结）

论文题目是《Rich feature hierarchies for accurate object detection and semantic segmentation》
这篇论文做出的贡献有两个方面：
（1）可以将高容量的卷积神经网络应用在自底向上的候选区域，以实现对目标的定位和分割。
（2）当标注的训练数据稀缺时，在大型辅助数据集（ILSVRC）上进行有监督的预训练，然后在小型数据集（PASCAL）上进行特定领域的微调，可以有效地训练大型CNN。

---

背景知识

在过去十年中（本篇论文发布于2014年），各种视觉识别任务主要使用SIFT和HOG。但是在PASCAL VOC上进行目标检测的性能在2010-2012间进展缓慢。Fukushima的“neocognitron”是一种受生物学启发的模式识别模型，具有分层和平移不变性等特点，这项成果算是一种早期的尝试。但是neocognitron缺少有监督的训练算法。LeCun在Rumelhart等人文章的基础上表明，通过反向传播的随机梯度下降对于训练CNN是有效的，这类模型扩展了neocognitron。
CNN在1990年代曾被大量使用，但随后随着SVM的兴起而逐渐过时。在2012年，Krizhevsky等人通过在ImageNet大规模视觉识别挑战赛（ILSVRC）上展示出更高的图像分类准确性，重新引起了人们对CNN的兴趣。他们的成功来自在120万张带标签图像上训练大型CNN，以及对LeCun CNN的一些变形。

---

R-CNN的实现过程

首先，为输入图像生成大约2000个类别独立的候选区域；
然后，用CNN从每个区域中提取出固定长度的特征向量；
最后，用特定类别的SVM对每个区域进行分类。

上图是对目标检测系统的一个概述。首先输入一个图像，然后提取大约2000个自底向上的候选区域，然后用一个大型的CNN为每个候选区域计算特征，最后用特定分类的线性SVM对这些区域进行分类。

---

R-CNN的具体设计

本篇论文的目标检测系统包括三个模块。 第一个生成类别独立的候选区域。 这些候选区域组成了检测器的候选检测集。 第二个模块是一个大型CNN，可从每个区域提取固定长度的特征向量。 第三个模块是一组特定类别的线性SVM。 接下来将对每个模块的设计进行介绍，包括说明其在测试时的用法，以及如何学习其参数。

1.候选区域

有许多文章提出生成类别独立的候选区域的方法，比如：
objectness
selective search
category-independent object proposals
constrained parametric min-cuts (CPMC)
multi-scale combinatorial grouping
Cires¸an（将CNN应用于规则间隔的方形作物来检测有丝分裂细胞，这是候选区域的特例）
R-CNN采用的方法是selective search</