RCNN系列（算法网络详解）

一.RCNN

总结：先使用选择性搜索方法（Selective Search）1000-2000个候选区域，将候选区域归一化到同一尺寸（227×227）提取每个候选区域的特征，在传入到SNM分类器中，使用线性回归器调整候选框的位置，使用非极大抑制NMS来抑制剔除重叠建议框。
RCNN特征提取网络：AlexNet网络

二.Fast RCNN

总结：先使用选择性搜索方法确定1000-2000个候选区域，再将整张图像作为CNN的输入，获取特征图；然后在通过候选框对特征图找到对应的特征框。再通过ROI池化层将不同大小的特征框转换成相同大小；然后在传入到分类器中进行分类后，通过回归器进一步调整其位置。
区别：

1. 分类器使用的是SoftMax
2. 不再是将1000-2000个候选区域作为特征提取网络的输入来提取特征，而是将整张图像作为特征提取网络的输入。
3. 用Roi Pooling进行特征的尺寸变换

三.Faster RCNN

总结：将图像传输到CNN提取特征图，使用RPN生成候选框，并对候选框投影到特征图中获得ROI区域的特征矩阵；在将特征矩阵通过ROI pooling缩放到7*7大小，并将特征图展平为vector，在通过全连接层得到预测结果；
介绍RPN网络
RPN 网络由两条分支构成。第一条是分类分支，用以判断目标是否存在。首先利用卷积整合输入特征图的通道信息，然后将锚框在特征图上滑动搜寻有价值的信息，并根据搜寻结果生成候选区域，最后利用 softmax 分类算法进二分类，筛除背景区域。第二条是回归分支，用以获取检测对象的位置信息。主要包括候选框的中心坐标及长度、宽度信息，从而可对候选框位置及尺寸进行初步确定。经过上述操作，目标所在区域初步被筛选出来。
区别：
1.使用的特征提取网络为VGG16。
2.没有使用选择性搜索方法来生成候选框，用RPN网络进行代替。

四.总结

上述对第二阶段RCNN的算法进行了总计，没有对网络进行讲解，但用最朴素的话对这三个网络进行了总结，期望大家都有收获。