RCNN——学习笔记第一天

一丶RCNN的由来

           Region CNN(RCNN)可以说是利用深度学习进行目标检测的开山之作。作者Ross Girshick多次在PASCAL VOC的目标检测竞赛中折桂，2010年更带领团队获得终身成就奖，如今供职于Facebook旗下的FAIR。 目前一系列目标检测算法：RCNN,Fast RCNN, Faster RCNN代表当下目标检测的前沿水平，在github都给出了基于Caffe的源码。

二丶RCNN的功劳

     RCNN一举超过传统的目标检测方法，通过深度学习网络来学习目标特征代替传统的人为的设定学习特征（比如HOG）省去很多麻烦的计算，另一方面预先选取一系列的可能是物体的候选区域代替传统的滑动窗口依次判断所有的可能的物体区域，极大的增加了目标检测的速度和正确率。论文发表的2014年，DPM已经进入瓶颈期，即使使用复杂的特征和结构得到的提升也十分有限。本文将深度学习引入检测领域，一举将PASCAL VOC上的检测率从35.1%提升到53.7%

三丶RCNN

  1）准备工作

         RCNN将使用俩个数据库如下：

       一个是较大的识别库(ImageNet ILSVC 2012 ):标定每张图片中物体的类别。一千万图像，1000类。

       一个是较小的检测库(PASCAL VOC 2007):标定每张图片