R-CNN

R-CNN

---

 R-CNN使用选择性搜索（selective search）代替传统方法的滑动窗口（sliding windows），大约选择出2000个候选区域，将所有候选区域resize成227*227大小的图像，通过CNN（Alexnet网络）提取特征向量，即最后一个全连接层产生的特征向量，送入SVM分类器中进行分类。每个类别训练一个SVM分类器，从特征向量中推断其属于该类别的概率大小。为了提升定位准确性，R-CNN最后又训练了一个边界框回归模型，通过边框回归模型对框的准确位置进行修正。

---

AlexNet模型

---

• AlexNet为8层结构，其中前5层为卷积层，后面3层为全连接层；
• AlexNet在两个GPU上运行，第2,4,5层在同一个GPU中前后链接，第3层是与两个GPU的前面层进行全连接，全连接是2个GPU全连接；
• RPN层第1,2个卷积层后；
• Max pooling层在RPN层以及第5个卷积层后。

由于R-CNN中不涉及RPN层，因此不过多介绍。并且只使用单GPU上的网络的网络结构搭建CNN网络进行组建。R-CNN可以使用5个卷积和池化，2个全连接层构建。

---

R-CNN模型

---

• 采用 Selective Search 技术生成 Region Proposal，一般选择设置区域个数为2000
• 将这2000个图像区域分别经过5个卷积层和池化层和2个全连接层的卷积神经网络进行特征提取
• 对每个类别训练一个SVM分类器和框回归分类器

---

总结 

R-CNN 采用 AlexNet网络预训练。
R-CNN 采用 Selective Search 技术生成 Region Proposal。
R-CNN 在 ImageNet 上先进行预训练，然后利用成熟的权重参数在训练集上进行 fine-tune。
R-CNN 用 CNN 抽取特征，然后用一系列的的 SVM 做类别预测。
R-CNN 的 bbox 位置回归。