R-Cnn 网络结构

        R-CNN(Region with CNN featrue),是深度学习目标检测的开山之作，作者是Ross Girshick，论文原名为 ：Rich feature hierarchies for accurate object detection and semantic segmentation 。

1. R-CNN 网络结构

1. 用selective search 算法在每个图片上生成1000-2000个候选区域；
2. 对每个区域统一缩放到一个尺寸，如：227*227。对这些候大小一致的候选框分别进行深度网络（如VGG16）特征提取，注意，是分别提取，也就是说，要对这些候选区域每个都单独做一次特征提取;
3. 将候选区域的特征，通过非极大值抑制 NMS 对多余的目标进行剔除。输入多个SVM 分类器进行类别判断，这里是说，如果有20类，就要分别采用20个SVM分类器对类别进行判断。
4. 使用回归算法，对识别的候选框进行位置修正。因为在selective search 算法中，所产生的候选框并不是那么准，所以在这里还需要再对识别的区域进行修正。

R-CNN 网络结构
 

标题

                

2. R-CNN的特点

1. 速度慢，检测一张图片要几十秒，但是在当时看来，这个速度是很快的。
2. 训练速度慢，训练过程特别繁琐，SS和rcnn需要分开进行训练。
3. 精度高，在当时，是最准确的目标检测算法，将当时的准确率从30% 提高到50%。