pytorch RCNN笔记

深度学习的演进并不是跳跃性的，都是不断优化，所以学习新的模式中总需要回头看看到底为什么会产生。
1 SPP 空间金字塔池化
SPP(Spatial Pyramid Pooling)详解,不同尺寸的图像尺寸如何输出相同大小的图像呢，裁剪或拉伸，原始图像就会扭曲，因为图像的纵横比改变了。SPP正式为解决此问题。
SPP空间金字塔池化（Spatial Pyramid Pooling）,看了这篇文章我才看出门道
窗口大小向上取整，步长大小向下取整，即窗口win=cell(a/n),然而stride的大小是stride=floor(a/n)
SPP的作用：

1. 解决输入图片大小不一造成的缺陷
2. 增加objet recongtion的精度
3. 由于把一个feature map从不同的角度进行特征提取，再聚合的特点，显示了算法的robust鲁棒的特性

2 边框回归
『计算机视觉』经典RCNN_其一：从RCNN到Faster-RCNN，看了这篇文章，还得继续研究一些算法，比如【边框回归】边框回归(Bounding Box Regression)详解（转）
卷积神经网络物体检测—边框回归(Bounding Box Regression)详解
3 目标检测
3.1 IoU Intersection over Union
目标检测之 IoU,IoU 计算的是 “预测的边框” 和 “真实的边框” 的交集和并集的比值
Detection基础模块之（一）IoU，参照这个文档计算交集面积即可，推算出uinon的面积，进而算出IoU。
$$IoU=\frac{inersection}{union}$$
3.2 ROI池化
ROI Pooling（感兴趣区域池化）

3.2.1 Region proposal
区域建议或区域提案，object detection中第一个阶段，给定输入图像查找可以定位对象的所有可能位置。此阶段的输出应该是对象的可能位置的边界框列表
目标检测中region proposal的作用？
3.2.2 Final classification
对于前一阶段的每个区域提案，确定它是属于目标类别之一还是属于背景.

3.3 Selective Search
第三十三节，目标检测之选择性搜索-Selective Search,selective search从名字看就知道是想办法去掉冗余候选区域，减少计算量。这篇文章中介绍的比较全了。物体检测之选择性搜索(Selective Search这篇介绍了opencv的实现。
3.3.1 相似度算法
选择性搜索的相似度主要基于颜色、纹理、大小、形状重叠，这四方面的相似度算法公式参考选择性搜索（selective search）
3.3.2 图像分割
selectiveSearch 图像分割产生R个区域,挺复杂的。
3.4 softmax
小白都能看懂的softmax详解,输出每个分类被取到的概率。Softmax函数详解与推导可以明白softmax用于多分类。
3.5 特征工程
一文带你读懂特征工程，在建模之前，需要花费70%的时间用在数据准备上。
机器学习（一）特征工程基本流程，有写复杂，看来需要单独学习。