浅谈RCNN、SPP-net、Fast-Rcnn、Faster-Rcnn

浅谈RCNN、SPP-net、Fast-Rcnn、Faster-Rcnn

一、简介

RCNN、SPP-net、Fast-Rcnn、Faster-Rcnn，一连串的经典模型，目标检测的开山之作，传奇模型。RCNN和Fast-RCNN简直是引领了最近两年目标检测的潮流！

欢迎各位评论讨论，博主才疏学浅，有疏忽和错误，如存在错误和纰漏，请各位及时指出，共同交流，共同进步。

二、RCNN

Region CNN(RCNN)可以说是利用深度学习进行目标检测的开山之作。R-CNN有两个关键点：一是使用建议窗口，并用CNN对其进行卷积特征提取；二是样本缺乏时，使用大量辅助样本进行预先训练，再用自己的样本进行微调。也就是fine-tuning，我觉得迁移学习和fine-tuning差不多…

经典的目标检测算法使用滑动窗口法来判断所有可能为目标的区域，取不同大小的滑动窗口，然后分别计算得分，还需要对框内的物体进行分类。显然运算量过于庞大。

那么RCNN的做法是先为图像生成region proposal(候选区域)，然后用CNN进行特征提取。

RCNN的整体框架流程为：

• 采用Selective Search生成Region proposal(建议窗口)，一张图片大约生成2000个建议窗口，由于建议窗口尺寸大小不一，warp(拉伸)到227*227.
• 运用CNN来提取特征，把每个候选区域送入CNN，提取特征。
• 将提取后的特征送入SVM分类器，用SVM对CNN输出的特征进行分类。
• Bounding Box回归，用Bounding Box回归校正原来的region proposal，生成预测窗口的坐标。

网络结构，借鉴Hinton 2012年在Image Net上的分类网络。

Selective Search

Selective Search方法从一种图片生成约2000个候选区域，采用一种过分割的手段，将图像分割成小区域，然后bottom-up，合并可能性最高的两个区域，重复合并，直到整张图像上合并成一个区域为止。

输出所有曾经存在过的区域，就是候选区域。

SVM

对每一类目标，使用一个线性SVM二类分类器进行判别。考察每一个候选框，如果和本类所有标定框的重叠面积都小于0.3，认定其为负样本。

Bounding Box回归

做位置精修，因为候选框不够准确，重叠面积很小。输入为深度网络pool5层的4096维特征，输出为xy方向的缩放和平移。

对于bounding box的定位精度，有一个很重要的概念，因为我们算法不可能百分百跟人工标注的数据完全匹配，因此就存在一个定位精度评价公式：